1

我试图自动确定两个数字是否相似。你可以在这里找到三个例子：http: //imgur.com/N5SeaQW,IZYszx5,4RxLy4o

第一张图和第二张图和第三张图不一样，但是第二张图和第三张图是一样的（不完全相同，仔细看会有一些细微差别）

我的代码（大部分来自 OpenCV 文档中的特征单应性示例）读取两个不同的图像，计算它们的关键点和描述符（使用 SIFT，但我也尝试过 SURF 和 ORB），使用 FlannBasedMatcher 匹配它们并计算单应性矩阵。从可选的状态向量中，我计算内点与关键点总数的比率，以计算“距离”。

但是，计算出的距离并没有做出正确的区分：

d(img1, img2) = 0.296296
d(img1, img3) = 0.407407
d(img2, img3) = 0.362069

所以我无法断定图像 1 与图像 2 不同，图像 1 与图像 2 不同，图像 2 等于图像 3。

是否有更好的方法或指标来确定哪些图像相似？

Mat img_object = imread( argv[1], CV_LOAD_IMAGE_GRAYSCALE );
Mat img_scene = imread( argv[2], CV_LOAD_IMAGE_GRAYSCALE );

//-- Step 1: Detect keypoints using SIFT
Ptr<FeatureDetector > detector;
detector = new SiftFeatureDetector();
std::vector<KeyPoint> keypoints_object, keypoints_scene;
detector->detect( img_object, keypoints_object );
detector->detect( img_scene, keypoints_scene );

//-- Step 2: Calculate descriptors (feature vectors)
Ptr<DescriptorExtractor > extractor;
extractor = new SiftDescriptorExtractor;
Mat descriptors_object, descriptors_scene;
extractor->compute( img_object, keypoints_object, descriptors_object );
extractor->compute( img_scene, keypoints_scene, descriptors_scene );

//-- Step 3: Matching descriptor vectors using FLANN matcher
FlannBasedMatcher matcher;
std::vector< DMatch > matches;
matcher.match( descriptors_object, descriptors_scene, matches );

//-- Step 4: Compute homography matrix and status vector
std::vector<Point2f> obj;
std::vector<Point2f> scene;
for( int i = 0; i<matches.size(); i++){
    obj.push_back( keypoints_object[ matches[i].queryIdx ].pt );
    scene.push_back( keypoints_scene[ matches[i].trainIdx ].pt );
}
std::vector<uchar> status;
Mat H = findHomography( obj, scene, status, CV_RANSAC, 3 );

//-- Step 5: Compute inliers/status.size
int inliers = 0;
for(int i = 0; i<status.size(); i++){
    inliers += status[i];
}
printf("Percentage of inliers: %f \n",( (float) inliers)/( (float) status.size() ));
4

1 回答 1

0

是否有更好的方法或指标来确定哪些图像相似？

你为什么不找到所有的圆圈并计算它们之间的距离？

这是代码：

Point2i center(vector<Point2i> contour)
{
    Moments m = moments(contour);

    return Point2i(m.m10/m.m00, m.m01/m.m00);
}


vector<Point2i> getCenters(Mat img)
{
    vector<vector<Point2i> > contours;

    threshold(img, img, 0, 255, THRESH_OTSU);

    findContours(img, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);

    vector<Point2i> result(contours.size());

    for (int i=0; i<contours.size(); i++)
    {
        result[i] = center(contours[i]);
    }

    return result;
}


double distanceCenter(Point2i center1, Point2i center2)
{
    return (center1.x - center2.x)*(center1.x - center2.x) + (center1.y - center2.y)*(center1.y - center2.y);
}


double distanceCenters(vector<Point2i> centers1, vector<Point2i> centers2)
{
    if (centers1.size() != centers2.size())
    {
        return -1;
    }
    else
    {
        double result = 0;

        for (int i=0; i<centers1.size(); i++)
        {
            double min = INT_MAX;

            for (int j=0; j<centers2.size(); j++)
            {
                double dist = distanceCenter(centers1[i], centers2[j]);
                if (dist < min)
                {
                    min = dist;
                }
            }

            result += min;
        }

        return result;
    }
}


int main()
{
    Mat img1 = imread("image1.png", CV_LOAD_IMAGE_GRAYSCALE),
        img2 = imread("image2.png", CV_LOAD_IMAGE_GRAYSCALE);

    cout << distanceCenters(getCenters(img1), getCenters(img2)) << endl;

    return 0;
}

和结果：

1和2之间的距离：14676

2和3之间的距离：393

于 2013-02-07T20:51:00.617 回答