Question

我正在尝试实现一个非常简单的程序来查找两个图像之间的相似性。

我正在使用ORB功能检测器和图像描述符执行此任务，我使用 knnMatch 识别匹配项：

FeatureDetector detector = FeatureDetector.create(FeatureDetector.ORB);
DescriptorExtractor descriptor = DescriptorExtractor.create(DescriptorExtractor.ORB);
DescriptorMatcher matcher = DescriptorMatcher.create(DescriptorMatcher.BRUTEFORCE_HAMMING);

// DETECTION
// first image
Mat img1 = Imgcodecs.imread(path1, Imgcodecs.CV_LOAD_IMAGE_GRAYSCALE);
Mat descriptors1 = new Mat();
MatOfKeyPoint keypoints1 = new MatOfKeyPoint();

detector.detect(img1, keypoints1);
descriptor.compute(img1, keypoints1, descriptors1);

// second image
Mat img2 = Imgcodecs.imread(path2, Imgcodecs.CV_LOAD_IMAGE_GRAYSCALE);
Mat descriptors2 = new Mat();
MatOfKeyPoint keypoints2 = new MatOfKeyPoint();

detector.detect(img2, keypoints2);
descriptor.compute(img2, keypoints2, descriptors2);

// MATCHING
// match these two keypoints sets
List<MatOfDMatch> matches = new ArrayList<MatOfDMatch>();
matcher.knnMatch(descriptors1, descriptors2, matches, 5);

我可以按如下方式绘制匹配项：

// DRAWING OUTPUT
Mat outputImg = new Mat();
// this will draw all matches, works fine
Features2d.drawMatches2(img1, keypoints1, img2, keypoints2, matches, outputImg);

// save image
Imgcodecs.imwrite("result.jpg", outputImg);

问题在于匹配太多，而且还包括那些相关的匹配。我似乎无法找到如何只提取好的匹配（超过某个阈值）？有人能指出我正确的方向或将我重定向到一些基本的工作示例吗？我已经花了几个小时在这上面，似乎迷路了......

修改

我试着看Keypoint matching just works two times...? (java opencv)，但标准（非knn）匹配使用不同的结构，而且我无法使其工作。

Answer 1

如其他答案中所述，有几种方法可以删除异常值和不匹配。我猜您使用其中一些方法找到了使用match代替knnMatch的示例和教程。

所以，您可能知道不同之处在于knnMatch会为descriptor2中的每个描述符返回descriptor1中的n个最佳匹配项。这意味着，您可以获得匹配列表，而不是匹配列表。我想这就是你遇到问题的原因。

使用knnMatch的主要优点是您可以执行比率测试。因此，如果从descriptor1中的一个描述符到descriptor2中的两个最佳描述符的距离相似，则表明您的图像中存在重复模式（例如草前栅栏的尖端）。因此，这种匹配不可靠，应予以删除。（我不确定你为什么要为每个描述符搜索五个最佳匹配 - 你传递5到knnMatch。而是搜索两个。）

如果您现在只想为每个描述符访问最佳匹配，则只需访问“子列表”的第一个元素。在下文中，您将找到使用RANSAC进行比率测试和单应性估计的示例（我在knnMatch之后替换了所有内容）：

    // ratio test
    LinkedList<DMatch> good_matches = new LinkedList<DMatch>();
    for (Iterator<MatOfDMatch> iterator = matches.iterator(); iterator.hasNext();) {
        MatOfDMatch matOfDMatch = (MatOfDMatch) iterator.next();
        if (matOfDMatch.toArray()[0].distance / matOfDMatch.toArray()[1].distance < 0.9) {
            good_matches.add(matOfDMatch.toArray()[0]);
        }
    }

    // get keypoint coordinates of good matches to find homography and remove outliers using ransac
    List<Point> pts1 = new ArrayList<Point>();
    List<Point> pts2 = new ArrayList<Point>();
    for(int i = 0; i<good_matches.size(); i++){
        pts1.add(keypoints1.toList().get(good_matches.get(i).queryIdx).pt);
        pts2.add(keypoints2.toList().get(good_matches.get(i).trainIdx).pt);
    }

    // convertion of data types - there is maybe a more beautiful way
    Mat outputMask = new Mat();
    MatOfPoint2f pts1Mat = new MatOfPoint2f();
    pts1Mat.fromList(pts1);
    MatOfPoint2f pts2Mat = new MatOfPoint2f();
    pts2Mat.fromList(pts2);

    // Find homography - here just used to perform match filtering with RANSAC, but could be used to e.g. stitch images
    // the smaller the allowed reprojection error (here 15), the more matches are filtered 
    Mat Homog = Calib3d.findHomography(pts1Mat, pts2Mat, Calib3d.RANSAC, 15, outputMask, 2000, 0.995);

    // outputMask contains zeros and ones indicating which matches are filtered
    LinkedList<DMatch> better_matches = new LinkedList<DMatch>();
    for (int i = 0; i < good_matches.size(); i++) {
        if (outputMask.get(i, 0)[0] != 0.0) {
            better_matches.add(good_matches.get(i));
        }
    }

    // DRAWING OUTPUT
    Mat outputImg = new Mat();
    // this will draw all matches, works fine
    MatOfDMatch better_matches_mat = new MatOfDMatch();
    better_matches_mat.fromList(better_matches);
    Features2d.drawMatches(img1, keypoints1, img2, keypoints2, better_matches_mat, outputImg);

    // save image
    Imgcodecs.imwrite("result.jpg", outputImg);

我希望这足以作为一个例子。其他过滤方法可以类似地应用。如果您还有其他问题，请随时询问。

修改单应性滤波仅在大多数关键点位于场景中的同一平面上时才有效，如墙等。

Java OpenCV - 从knnMatch中提取好匹配

修改

1 个答案: