一，首先我们对函数先进行分析
findHomography：
计算多个二维点对之间的最优单映射变换矩阵 H（3行x3列） （就是对图片的矫正），使用最小均方误差或者RANSAC方法
函数功能：找到两个平面之间的转换矩阵。
这里涉及到映射变换的知识，
下面介绍下什么是映射变换：
1，如下图所示：
如果平面上点场的点建立了一个一一对应，并且满足：
（1）任何共线三点的象仍是共线三点；
（2）共线四点的交比不变。
则这个一一对应叫做点场的射影变换，简称射影变换
交比：
一维射影变换:
二维的图像是这样的
射影变换也叫做单应（Homography）
图1通过H矩阵变换变成图2，就是这个函数的公式
X′=HX
X′代表图2
其操作过程
- 在“大”图像（目标图像）上选择4个点和“小”图像（被合并图像）的四角做对应，然后根据这4对对应的点计算两幅图像的单应矩阵。
- 得到单应矩阵H后，利用函数warpPerspective将H应用到“小”图像上，得到图像M
- 将图像M合并到目标图像中选择的四个点的位置
1 Mat cv::findHomography ( InputArray srcPoints,
2 InputArray dstPoints,
3 int method = 0,
4 double ransacReprojThreshold = 3,
5 OutputArray mask = noArray(),
6 const int maxIters = 2000,
7 const double confidence = 0.995
8 )参数详解：
srcPoints 源平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector<Point2f>类型
dstPoints 目标平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector<Point2f>类型
method 计算单应矩阵所使用的方法。不同的方法对应不同的参数，具体如下：
0 - 利用所有点的常规方法
RANSAC - RANSAC-基于RANSAC的鲁棒算法
LMEDS - 最小中值鲁棒算法
RHO - PROSAC-基于PROSAC的鲁棒算法
ransacReprojThreshold
将点对视为内点的最大允许重投影错误阈值（仅用于RANSAC和RHO方法）。如果
则点被认为是个外点（即错误匹配点对）。若srcPoints和dstPoints是以像素为单位的，则该参数通常设置在1到10的范围内。
mask
可选输出掩码矩阵，通常由鲁棒算法（RANSAC或LMEDS）设置。 请注意，输入掩码矩阵是不需要设置的。
maxIters RANSAC 算法的最大迭代次数，默认值为2000。
confidence 可信度值，取值范围为0到1.
首先定义两个vector保存对应的4对点
1 //图片映射矩阵把不同角度的图片矫正
2 void findHomographyText(){
3
4 // Read source image.
5 Mat src = imread("F:\\视觉\\opencv\\pic\\1.png");
6 // Four corners of the book in source image
7 vector<Point2f> pts_src;
8 pts_src.push_back(Point2f(0, 0));
9 pts_src.push_back(Point2f(src.cols, 0));
10 pts_src.push_back(Point2f(src.cols, src.rows));
11 pts_src.push_back(Point2f(0, src.rows));
12
13 // Four corners of the book in destination image.
14 vector<Point2f> pts_dst;
15 pts_dst.push_back(Point2f(0, 0));
16 pts_dst.push_back(Point2f(src.cols/4, 0));
17 pts_dst.push_back(Point2f(src.cols/3, src.rows));
18 pts_dst.push_back(Point2f(0, src.rows/2));
19
20 // Calculate Homography
21 Mat h = findHomography(pts_src, pts_dst);
22
23 // Output image
24 Mat im_out;
25 // Warp source image to destination based on homography
26 warpPerspective(src, im_out, h, src.size());
27
28 // Display images
29 imshow("Source Image", src);
30 imshow("Warped Source Image", im_out);
31
32 waitKey(0);
33
34 }
结果如下图所示对图像进行拉伸
步骤如下
1,相求H
1 vector<Point2f> pts_src;
2 pts_src.push_back(Point2f(0, 0));
3 pts_src.push_back(Point2f(src.cols, 0));
4 pts_src.push_back(Point2f(src.cols, src.rows));
5 pts_src.push_back(Point2f(0, src.rows));
6
7 // Four corners of the book in destination image.
8 vector<Point2f> pts_dst;
9 pts_dst.push_back(Point2f(0, 0));
10 pts_dst.push_back(Point2f(src.cols/4, 0));
11 pts_dst.push_back(Point2f(src.cols/3, src.rows));
12 pts_dst.push_back(Point2f(0, src.rows/2));
13
14 // Calculate Homography
15 Mat h = findHomography(pts_src, pts_dst);
通过H求对应的图像（映射到输出图片上）
warpPerspective(src, im_out, h, src.size());
warpPerspective：通过H求取
im_out输出值介绍完两个主要的函数下面开始对图像进行识别和标记
2，SURF对图像的识别和标记
1，开发思路
（1）使用SIFT或者SURF进行角点检测，获取两个图像的的角点集合
（2）根据两个集合，使用特征点匹配，匹配类似的点 FlannBasedMatcher
（3）过滤特征点对。
（4）通过特征点对，求出H值
（5）画出特征区域
代码实现：
1，使用SIFT或者SURF进行角点检测，获取两个图像的的角点集合
1 src = imread("F:\\视觉\\opencv\\pic\\11.png");//读图片
2 src3 = imread("F:\\视觉\\opencv\\pic\\5.png");//读图片
3
4 int minHessian = 400;
5 cvtColor(src, src, COLOR_BGR2GRAY);
6 cvtColor(src3, src3, COLOR_BGR2GRAY);
7
8 Ptr<SIFT> detector = SIFT::create(minHessian);
9 vector<KeyPoint> keypoints_obj;//图片1特征点
10 vector<KeyPoint> keypoints_scene;//图片2特征点
11 Mat descriptor_obj, descriptor_scene;
12
13 //找出特征点存到keypoints_obj与keypoints_scene点集中
14 detector->detectAndCompute(src, Mat(), keypoints_obj, descriptor_obj);
15 detector->detectAndCompute(src3, Mat(), keypoints_scene, descriptor_scene);
16
17 // matching 找到特征集合
18 FlannBasedMatcher matcher;
19 vector<DMatch> matches;
20 matcher.match(descriptor_obj, descriptor_scene, matches);
2，过滤相似度高的图像
1 // find good matched points
2 double minDist = 1000;
3 double maxDist = 0;
4
5 for (int i = 0; i < descriptor_obj.rows; i++) {
6 double dist = matches[i].distance;
7 if (dist > maxDist) {
8 maxDist = dist;
9 }
10 if (dist < minDist) {
11 minDist = dist;
12 }
13 }
14 printf("max distance : %f\n", maxDist);
15 printf("min distance : %f\n", minDist);
16
17 vector<DMatch> goodMatches;
18 //过滤相同的点
19 for (int i = 0; i < descriptor_obj.rows; i++) {
20 double dist = matches[i].distance;//相识度
21 printf("distance : %f\n", dist);
22 if (dist < max(3 * minDist, 0.2)) {
23 goodMatches.push_back(matches[i]);
24 }
25 }
3，求出H
1 vector<Point2f> obj;
2 vector<Point2f> objInScene;
3 for (size_t t = 0; t < goodMatches.size(); t++) {
4 //把DMatch转成坐标 Point2f
5 obj.push_back(keypoints_obj[goodMatches[t].queryIdx].pt);
6
7 objInScene.push_back(keypoints_scene[goodMatches[t].trainIdx].pt);
8 }
9 //用来求取“射影变换”的H转制矩阵函数 X'=H X ，并使用RANSAC消除一些出错的点
10 Mat H = findHomography(obj, objInScene, RANSAC);
4,使用H求出映射到大图的点
1 vector<Point2f> obj_corners(4);
2 vector<Point2f> scene_corners(4);
3 obj_corners[0] = Point(0, 0);
4 obj_corners[1] = Point(src.cols, 0);
5 obj_corners[2] = Point(src.cols, src.rows);
6 obj_corners[3] = Point(0, src.rows);
7 //透视变换(把斜的图片扶正)
8 cout << H << endl;
9 perspectiveTransform(obj_corners, scene_corners, H);
5，在原图上画线段
1 Mat dst;
2 cvtColor(src3, dst, COLOR_GRAY2BGR);
3 line(dst, scene_corners[0], scene_corners[1], Scalar(0, 0, 255), 2, 8, 0);
4 line(dst, scene_corners[1], scene_corners[2], Scalar(0, 0, 255), 2, 8, 0);
5 line(dst, scene_corners[2], scene_corners[3], Scalar(0, 0, 255), 2, 8, 0);
6 line(dst, scene_corners[3], scene_corners[0], Scalar(0, 0, 255), 2, 8, 0);
7
8
9 imshow("Draw object", dst);
相似效果
