sift-surf-orb通用程序

一种通用的sift-surf-orb的程序，只需要改变相应的关键字就可以检测不同的特征点，对于分析配准问题，三维重建是一个非常好的资源。同时，代码进行了ransac优化。可供工程实际应用

#include 
#include 
#include   
#include   
#include 
#include 
#include   
#include   

using namespace cv; 
using namespace std; 

int main（）
{
	initModule_nonfree（）;//初始化模块，使用SIFT或SURF时用到 
	Ptr detector = new cv::SurfFeatureDetector（1500110）;//创建SIFT特征检测器，可改成SURF/ORB
	PtrriptorExtractor> descriptor_extractor = new cv::SurfDescriptorExtractor（）;//创建特征向量生成器，可改成SURF/ORB
	PtrriptorMatcher> descriptor_matcher = DescriptorMatcher::create（ “BruteForce“ ）;//创建特征匹配器  
	if（ detector.empty（） || descriptor_extractor.empty（） ）  
		cout<<“fail to create detector!“;  

	//读入图像  
	Mat img1 = imread（“AutoSaveR12820.png“0）;  
	Mat img2 = imread（“AutoSaveL12820.png“0）;

	//特征点检测  
	double t = getTickCount（）;//当前滴答数  
	vector m_LeftKeym_RightKey;  
	//detector->detect（ img1 m_LeftKey ）;//检测img1中的SIFT特征点，存储到m_LeftKey中  
	detector->detect（img2 m_RightKey）;
	//cout<<“图像1特征点个数:“<	cout<<“图像2特征点个数:“<
	//根据特征点计算特征描述子矩阵，即特征向量矩阵  
	Mat descriptors1descriptors2;  
	//descriptor_extractor->compute（ img1 m_LeftKey descriptors1 ）;  
	descriptor_extractor->compute（ img2 m_RightKey descriptors2 ）;  
	t = （（double）getTickCount（） - t）/getTickFrequency（）;  
	cout<<“SIFT算法用时：“<
	cout<<“图像1特征描述矩阵大小：“<riptors1.size（）  
		<<“，特征向量个数：“<riptors1.rows<<“，维数：“<riptors1.cols<	cout<<“图像2特征描述矩阵大小：“<riptors2.size（）  
		<<“，特征向量个数：“<riptors2.rows<<“，维数：“<riptors2.cols<
	//画出特征点  
	Mat img_m_LeftKeyimg_m_RightKey;  
	drawKeypoints（img1m_LeftKeyimg_m_LeftKeyScalar::all（-1）0）;  
	drawKeypoints（img2m_RightKeyimg_m_RightKeyScalar::all（-1）0）;  
	//imshow（“Src1“img_m_LeftKey）;  
	//imshow（“Src2“img_m_RightKey）;  
	double tt = getTickCount（）;
	//特征匹配  
	vector matches;//匹配结果  
	descriptor_matcher->match（ descriptors1 descriptors2 matches ）;//匹配两个图像的特征矩阵  
	cout<<“Match个数：“<
	//计算匹配结果中距离的最大和最小值  
	//距离是指两个特征向量间的欧式距离，表明两个特征的差异，值越小表明两个特征点越接近  
	double max_dist = 0;  
	double min_dist = 100;  
	for（int i=0; i	{  
		double dist = matches[i].distance;  
		if（dist < min_dist） min_dist = dist;  
		if（dist > max_dist） max_dist = dist;  
	}  
	cout<<“最大距离：“<	cout<<“最小距离：“<
	//筛选出较好的匹配点  
	vector goodMatches;  
	for（int i=0; i	{  
		if（matches[i].distance < 0.6 * max_dist）  
		{  
			goodMatches.push_back（matches[i]）;  
		}  
	}  
	cout<<“goodMatch个数：“<
	//画出匹配结果  
	Mat img_matches;  
	//红色连接的是匹配的特征点对，绿色是未匹配的特征点  
	drawMatches（img1 m_LeftKey img2 m_RightKey goodMatches img_matches
		Scalar::all（-1）/*CV_RGB（25500）*/CV_RGB（02550）Mat（）2）;