目录
- 特征点检测
- 描述子计算
- 特征点匹配
- 绘图
- 各类函数的一些从属关系
特征点检测
特征点检测是指利用detecter去检测图像中感兴趣的点，一般指角点，边缘点等等，其中各类特征点的也有不同的定义方式，譬如角点有harris角点，FAST角点等等。以FAST角点为例（FAST角点属于ORB特征）。
步骤1：定义KeyPoint容器；
KeyPoint是C++中的一个模板类。可以理解为一种特殊的数据结构，检测出来的角点通常要存储起来，形成一个KeyPoint类型的容器（vector）。
步骤2：定义检测器（detector）；
**detector可以看作是一个工具（函数），其功能是用于检测特征点，一般定义opencv中的Ptr智能指针指向一个detector，然后初始化为相应的特征。
步骤3：进行检测；
检测的过程很简单，调用相应的detect函数即可。代码如下：
std::vector<KeyPoint> keypoints；
//定义KeyPoint容器
Ptr<FeatureDetector> detector = ORB::create();
//定义检测器，初始化为相应的特征，
detector->detect(image, keypoints);
//进行检测，image为图像，是一个mat矩阵，检测点存于keypoints中注释：
KeyPoint类下的属性以及访问方式：
①KeyPoint.pt；KeyPoint.pt.x；KeyPoint.pt.y；分别返回point2d类；x坐标，y坐标；**
②KeyPoint.size；特征点领域大小；
③KeyPoint.angle；特征点的角度；
④KeyPoint.response；特征点的强度；
⑤KeyPoint.octave；特征点所属金字塔的层数；
detect函数：
detector->detect(图像mat，容器keypoint)；注意参数的类型
描述子计算
描述子是指对特征点周围的信息进行描述，常常以向量的形式进行表达，常见的描述子有 BRIEF,SIFT等等，像BRIEF描述子的基本原理是随机选取特征点附近的一对点，然后进行τ测试，将结果表达为向量。以BRIEF描述子为例，opencv中计算描述子的步骤如下：
步骤1：定义Mat矩阵；
以向量的形式存储描述子。
步骤2：定义描述器（descriptor）；
同特征点的检测一样，定义一个Ptr智能指针，然后访问相应的描述子计算函数。
步骤3：计算描述子；
代码如下：
Mat descriptors;
//存放描述子
Ptr<DescriptorExtractor> descriptor = ORB::create();
//建立描述器
descriptor->compute(image, keypoints, descriptors);
//计算描述子注释：
descriptor->comput(图像mat，容器keypoint,描述子矩阵mat)；注意参数的类型
特征匹配
特征匹配是指对多张图像中相同的特征点一一对应起来，通俗地讲就是找相同点。通常匹配时是求解描述子的距离，各种距离的定义也不一样，在ORB特征匹配过程中采用的是汉明距离。特征匹配的意义不言而喻，在CV中的应用也非常广泛。特征匹配的步骤如下：
步骤1：定义Dmatch容器；
匹配时，需要把两种图像匹配点的信息，如坐标等等进行存储，一般是定义Dmatch容器。
步骤2：定义匹配器（matcher）；
步骤3：开始匹配；
代码如下：
vector<DMatch> match;
//定义容器
Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");
//定义匹配器，选择匹配方式
matcher->match(descriptors_1, descriptors_2, match);
//进行匹配注释：
DMatch类的属性以及访问方法：
①match.distance；距离
②match.queryIdx；特征点1在keypoints_1的下标（索引），注意keypoints_1是一个vector；
③match.queryIdx；特征点1’ 在keypoints_2的下标（索引），注意keypoints_2也是一个vector；
举例：
**在第0个match中，我们可以看见，keypoints_1的第4个特征点与keypoints_2的第157个特征点是匹配的，并且汉明距离是22。
④参数：matcher->match(descriptors_1（描述子mat）, descriptors_2(描述子mat), match(Dmatch类，存放结果));
特征筛选
特征筛选指把不合理的特征去除掉，通常是考察描述子之间的距离，当举例过大或者过小（每种距离不一样）时，则证明该匹配是错误匹配。
代码如下：
//找出所有匹配之间的最小距离和最大距离,
即是最相似的和最不相似的两组点之间的距离
double min_dist = 10000, max_dist = 0;
for (int i = 0; i < descriptors_1.rows; i++) {
double dist = match[i].distance;
if (dist < min_dist) min_dist = dist;
if (dist > max_dist) max_dist = dist;
}
printf("-- Max dist : %f \n", max_dist);
printf("-- Min dist : %f \n", min_dist);
//当描述子之间的距离大于两倍的最小距离时,
即认为匹配有误.但有时候最小距离会非常小,设置一个经验值30作为下限.
for (int i = 0; i < descriptors_1.rows; i++) {
if (match[i].distance <= max(2 * min_dist, 30.0)) {
matches.push_back(match[i]);
}
}绘图
为了可视化，筛选好的匹配点可以绘制出来，基本的语句如下：
画特征点
Mat outimg1;
drawKeypoints(img_1, keypoints_1, outimg1, Scalar::all(-1), DrawMatchesFlags::DEFAULT);drawKeypoints（）函数有5个参数，前三个参数依次为：原图像mat，keypoint容器，输出图像mat。
画匹配图
Mat img_match;
drawMatches(img_1, keypoints_1, img_2, keypoints_2, good_matches, img_goodmatch);drawMatches（）函数一共有6个参数，分别为：原图像1mat，keypoints_1容器，原图像2mat，keypoints_2容器，输出匹配图mat
效果如下：
各类函数的一些从属关系
学这一块的时候，我发现编程的时候特别乱，所以特地看了看opencv中的doucument，对各类函数以及类之间的关系有了一定的轮廓，也方便后面的学习。
继续学习中，先会掉包再说…
