使用（ransac）随机采样一致算法进行图像匹配

#include<opencv2/opencv.hpp>
#include<opencv2/xfeatures2d.hpp>
#include<iostream>
using namespace cv;
using namespace cv::xfeatures2d;
using namespace std;

//使用对称性测试以及RANSAC匹配特征点。
//1.这是进行图像匹配的第一步工作，寻找优质的特征点，
//要用这些特征点来计算基本矩阵，所以必须对我们得到的特征点进行精细的筛选工作。
int ratioTest(vector<vector<DMatch> >& matches);
void symmetry(const vector<vector<DMatch>>& matches1, const vector<vector<DMatch>>& matches2, vector<DMatch>& symmetry);
Mat ransac_test(vector<DMatch>& matches, vector<KeyPoint>& keypoints1, vector<KeyPoint>& keypoints2, vector<DMatch>& out_matches);

int main()
{
	Mat  image = imread("植物.jpg");
	Mat image1;
	resize(image, image, Size(400, 600));//缩放
	//灰度变换
	cvtColor(image, image1, CV_BGR2GRAY);

	Mat image0 = imread("植物2.jpg");
	resize(image0, image0, Size(400, 600));//缩放
	Mat image2;
	cvtColor(image0, image2, CV_BGR2GRAY);

	imshow("image1", image1);

	//1.第一步，我们先找到特征点，并且提取特征点的描述子，为下一步做准备。
	vector<KeyPoint> keyp1, keyp2;
	Ptr<SURF> xx = SURF::create(2000);//检测器。
	//hessian值，越大，那么检测到的点就越少，hessian值是一个阈值，或者说是一个淘汰值，小于则不会被选取。

	xx->detect(image1, keyp1);//在image中找出特征点。
	xx->detect(image2, keyp2);

	Mat des1, des2;
	xx->compute(image1, keyp1, des1);//描述子。
	xx->compute(image2, keyp2, des2);
	//1.
	Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(1);//描述子匹配器。???????matcherType到底是什么意思？？？、
	vector<vector<DMatch>> matches1,matches2;//DMatch是中有两个元素，指向第一个向量的索引和指向第二个向量的索引。（两个匹配点的信息）
	//matches1.distance :less is better越小越好。 
	//每个图像的一个点，在另一个图像中找到两个匹配点,方便我们筛选，
	//如果这两个离的太近，那么说明会产生误差，我们舍弃，如果离的太远，那么说明有一个是可靠的。
	matcher->knnMatch(des1, des2, matches1,2);//将复合的匹配放入描述子中。//注意，des2和des1的顺序和结果也有关系。
	matcher->knnMatch(des2,des1,matches2,2);//注意knnMatch 的用法，是为一个点找到多个点。
	
	//然后我们需要从中筛选排在前列的匹配点。
	
	
	//2.

	Mat image_matches1, image_matches2;//我们来测试两幅图的匹配是否相同。
	


	//然后我们需要删除那些，两个匹配点非常靠近的点。怎么比较？？
	//matches.ditance第一个比第二个小，所以，第二越大，说明，两个特征点离的越近，他们的比率就越接近于1.
	//所以我们要排除那些比率大于一定阈值的点，我们用一个函数，retioTest();
	int removed = ratioTest(matches1);
	removed = ratioTest(matches2);
	//转换keypoint为point2f//因为findFundamentalMat 只接受point2f格式。

	//以上两个语句，我们就移除了会产生歧义的匹配。
	//3.我们要看两幅图中对称的匹配点，不对称的我们不考虑。对称方法我们也单独设置一个函数symmetryTest()。
	vector<DMatch>sym;
	symmetry(matches1,matches2,sym);
	
	//drawMatches(image,keyp1,image0,keyp2,sym,image_matches1);
	//imshow("结果",image_matches1);
	
	//求基础矩阵。
	Mat fundemental;
	vector<DMatch> newone;
	fundemental = ransac_test(sym,keyp1,keyp2,newone);
	drawMatches(image, keyp1, image0, keyp2, newone, image_matches1);
	imshow("结果",image_matches1);



	waitKey(0);
	return 0;
}



//删除那些离的太过于相近的特征点。
int ratioTest(vector<vector<DMatch> >& matches) //matches存储着最优点和次优点。
{
	int removed = 0;//删除的点计数。
	for (vector<vector<DMatch>>::iterator matche_iterator = matches.begin(); matche_iterator != matches.end(); matche_iterator++)
	{
		if (matche_iterator->size() > 1)//如果存入的两个特征点，才进行处理。
		{
			if ((*matche_iterator)[0].distance / (*matche_iterator)[1].distance > 0.79)//我们将阈值设置为,说明：这个阈值设置的越大，跃接近于1，说明删除的越少。当阈值等于0时，
				//就等于是删除了所有的匹配点。
			{
				matche_iterator->clear();//移除匹配。
				removed++;
			}
		}
		else//将不能达到两个匹配的点，也进行移除。
		{
			matche_iterator->clear();
			removed++;

		}

	}

	return removed;
}



//检验是否对称匹配。
void symmetry(const vector<vector<DMatch>>& matches1, const vector<vector<DMatch>>& matches2, vector<DMatch>& symmetry)
{
	for (vector<vector<DMatch>>::const_iterator matche_iterator1 = matches1.begin(); matche_iterator1 != matches1.end(); ++matche_iterator1)
	{
		if (matche_iterator1->size() < 2) continue;//是之前检验阈值时被删除的点。


		for (vector<vector<DMatch>>::const_iterator matche_iterator2 = matches2.begin(); matche_iterator2 != matches2.end(); ++matche_iterator2)
		{

			if (matche_iterator2->size() < 2) continue;

			//开始对称性检测。
			if ((*matche_iterator1)[0].queryIdx == (*matche_iterator2)[0].trainIdx && (*matche_iterator2)[0].queryIdx == (*matche_iterator1)[0].trainIdx)
			{
				symmetry.push_back(DMatch((*matche_iterator1)[0].queryIdx, (*matche_iterator1)[0].trainIdx, (*matche_iterator1)[0].distance));
				break;//图一到图二中的下一个匹配，因为是双重循环，我们找的是图一中的最优解。
			}//注意，这个break一定要在括号里边。
		}
	}
}


//我们需要创建一个基于RANSAC方法来计算F矩阵的函数。
Mat ransac_test(vector<DMatch>& matches, vector<KeyPoint>& keypoints1, vector<KeyPoint>& keypoints2, vector<DMatch>& out_matches)
{
	//函数输入一个matches，keypoints1，keypoints2
	vector<Point2f> points1, points2;
	//因为ransac函数不能用keypoints类型，所以要先将keypoints转换为point类型。
	for (vector<DMatch>::const_iterator it = matches.begin(); it != matches.end(); ++it)
	{
		//先得到左图的特征点的point类型，也就是压入，points1
		float x = keypoints1[it->queryIdx].pt.x;
		float y = keypoints1[it->queryIdx].pt.y;
		points1.push_back(Point2f(x,y));

		//同理可以得到右边图像对应的点。
		 x = keypoints2[it->trainIdx].pt.x;
		 y = keypoints2[it->trainIdx].pt.y;
		points2.push_back(Point2f(x, y));
	}

	//然后开始计算F矩阵。
	vector<uchar>inliers(points1.size(),0);
	Mat fundemental = findFundamentalMat(Mat(points1),Mat(points2),inliers,CV_FM_RANSAC);
	//提取通过的匹配点。
	vector<uchar>::const_iterator itIn = inliers.begin();
	
	vector<DMatch>::const_iterator itM = matches.begin();
	for (; itIn != inliers.end(); ++itIn, ++itM)
	{
		if (*itIn)//不为空
		{
			out_matches.push_back(*itM);
		}


	}
	
	//改善F矩阵。也就是用out_matches再进行一遍随机抽样连续一致算法。
	points1.clear();
	points2.clear();
	for (vector<DMatch>::const_iterator it = out_matches.begin(); it != out_matches.end(); ++it)
	{
		//先得到左图的特征点的point类型，也就是压入，points1
		float x = keypoints1[it->queryIdx].pt.x;
		float y = keypoints1[it->queryIdx].pt.y;
		points1.push_back(Point2f(x, y));

		//同理可以得到右边图像对应的点。
		x = keypoints2[it->trainIdx].pt.x;
		y = keypoints2[it->trainIdx].pt.y;
		points2.push_back(Point2f(x, y));


	}

	fundemental = findFundamentalMat(Mat(points1),Mat(points2));


	return fundemental;





}


```![在这里插入图片描述](https://img-blog.csdnimg.cn/20191123183406498.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2N1aTg4Mw==,size_16,color_FFFFFF,t_70)
![在这里插入图片描述](https://img-blog.csdnimg.cn/2019112318343061.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dhb2N1aTg4Mw==,size_16,color_FFFFFF,t_70)