如何在opencv中找到单个图像关键点之间的欧氏距离

Question

我想为图像中的每个关键点获取距离矢量d。 距离矢量应包括从该关键点到该图像中所有其他关键点的距离。 注意：使用SIFT找到关键点。

我是opencv的新手。 C ++中是否有库函数可以让我的任务变得简单？

Answer 1

如果你对位置距离感兴趣，但描述符距离你可以使用这个：

cv::Mat SelfDescriptorDistances(cv::Mat descr)
{
    cv::Mat selfDistances = cv::Mat::zeros(descr.rows,descr.rows, CV_64FC1);
    for(int keyptNr = 0; keyptNr < descr.rows; ++keyptNr)
    {
        for(int keyptNr2 = 0; keyptNr2 < descr.rows; ++keyptNr2)
        {
            double euclideanDistance = 0;
            for(int descrDim = 0; descrDim < descr.cols; ++descrDim)
            {
                double tmp = descr.at<float>(keyptNr,descrDim) - descr.at<float>(keyptNr2, descrDim);
                euclideanDistance += tmp*tmp;
            }

            euclideanDistance = sqrt(euclideanDistance);
            selfDistances.at<double>(keyptNr, keyptNr2) = euclideanDistance;
        }

    }
    return selfDistances;
}

这将给你一个N×N矩阵（N =关键点的数量），其中Mat_i，j =关键点i和j之间的欧几里德距离。

有了这个输入：

我得到这些输出：

1. 标记关键点的图像，其距离小于0.05

2. 与矩阵对应的图像。 白色像素是dist <0.05。

备注：由于距离是对称的，你可以在矩阵的计算中优化很多东西！

更新：

这是另一种方法：

从您的聊天中我知道您需要13GB内存来保存41381个关键点（您尝试过）的距离信息。 如果您只想要N个最佳匹配，请尝试以下代码：

// choose double here if you are worried about precision!
#define intermediatePrecision float
//#define intermediatePrecision double
// 
void NBestMatches(cv::Mat descriptors1, cv::Mat descriptors2, unsigned int n, std::vector<std::vector<float> > & distances, std::vector<std::vector<int> > & indices)
{
    // TODO: check whether descriptor dimensions and types are the same for both!

    // clear vector
    // get enough space to create n best matches
    distances.clear();
    distances.resize(descriptors1.rows);
    indices.clear();
    indices.resize(descriptors1.rows);

    for(int i=0; i<descriptors1.rows; ++i)
    {
        // references to current elements:
        std::vector<float> & cDistances = distances.at(i);
        std::vector<int>  & cIndices = indices.at(i);
        // initialize:
        cDistances.resize(n,FLT_MAX);
        cIndices.resize(n,-1);  // for -1 = "no match found"

        // now find the 3 best matches for descriptor i:
        for(int j=0; j<descriptors2.rows; ++j)
        {
            intermediatePrecision euclideanDistance = 0;
            for( int dim = 0; dim < descriptors1.cols; ++dim)
            {
                intermediatePrecision tmp = descriptors1.at<float>(i,dim) - descriptors2.at<float>(j, dim);
                euclideanDistance += tmp*tmp;
            }
            euclideanDistance = sqrt(euclideanDistance);

            float tmpCurrentDist = euclideanDistance;
            int tmpCurrentIndex = j;

            // update current best n matches:
            for(unsigned int k=0; k<n; ++k)
            {
                if(tmpCurrentDist < cDistances.at(k))
                {
                    int tmpI2 = cIndices.at(k);
                    float tmpD2 = cDistances.at(k);

                    // update current k-th best match
                    cDistances.at(k) = tmpCurrentDist;
                    cIndices.at(k) = tmpCurrentIndex;

                    // previous k-th best should be better than k+1-th best //TODO: a simple memcpy would be faster I guess.
                    tmpCurrentDist = tmpD2;
                    tmpCurrentIndex =tmpI2;
                }
            }


        }
    }

}

它计算第一描述符与第二描述符的每个关键点的N个最佳匹配。 因此，如果您想为相同的关键点执行此操作，您将设置为descriptors1 = descriptors2离线，如下所示。 记住：函数不知道两个描述符集是相同的，所以第一个最佳匹配（或至少一个）将是关键点本身，距离0总是！ 如果使用结果，请记住这一点！

以下是生成类似于上图的示例代码：

int main()
{
    cv::Mat input = cv::imread("../inputData/MultiLena.png");

    cv::Mat gray;
    cv::cvtColor(input, gray, CV_BGR2GRAY);

    cv::SiftFeatureDetector detector( 7500 );
    cv::SiftDescriptorExtractor describer;

    std::vector<cv::KeyPoint> keypoints;

    detector.detect( gray, keypoints );

    // draw keypoints
    cv::drawKeypoints(input,keypoints,input);



    cv::Mat descriptors;
    describer.compute(gray, keypoints, descriptors);

    int n = 4;
    std::vector<std::vector<float> > dists;
    std::vector<std::vector<int> > indices;

    // compute the N best matches between the descriptors and themselves.
    // REMIND: ONE best match will always be the keypoint itself in this setting!
    NBestMatches(descriptors, descriptors, n, dists, indices);

    for(unsigned int i=0; i<dists.size(); ++i)
    {
        for(unsigned int j=0; j<dists.at(i).size(); ++j)
        {
            if(dists.at(i).at(j) < 0.05)
                cv::line(input, keypoints[i].pt, keypoints[indices.at(i).at(j)].pt, cv::Scalar(255,255,255) );
        }
    }

    cv::imshow("input", input);
    cv::waitKey(0);

    return 0;
}

Answer 2

keypoint类有一个名为pt的成员，后者又将x和y [点的（x，y）位置]作为自己的成员。

给定两个关键点kp1和kp2 ，然后很容易计算出欧氏距离：

Point diff = kp1.pt - kp2.pt;
float dist = std::sqrt( diff.x * diff.x + diff.y * diff.y )

在您的情况下，它将是一个迭代所有关键点的双循环。

Answer 3

1. 创建一个2D矢量（其大小为NXN） - > std::vector< std::vector< float > > item;
2. 创建2 for循环直到你拥有的关键点数（N）

3. 按照a-Jays的建议计算距离

   Point diff = kp1.pt - kp2.pt; float dist = std::sqrt( diff.x * diff.x + diff.y * diff.y );

4. 使用push_back为每个关键点添加此向量 - > N次。