VS2012插件OpenCV工具Image Watch-西西软件下载

Image Watch是在VS2012上使用的一款OpenCV工具，能够实时显示图像和矩阵Mat的内容，跟Matlab很像，方便程序调试，相当好用。

多版本OpenCV：

对于工程中有两个以上OpenCV版本的情况，加入#include 后编译又可能出现重定义的情况。开始我一直没搞清楚原因，后来在stackoverflow查了下。原因如下：

也就是说如果VS中安装了两个以上的OpenCV版本，VS可能会搞混，把include的地址解析到了两个不同OpenCV目录下的头文件，因此引起重定义。

于是在VS中把include目录下的OpenCV2.3.1的头文件地址删除，问题解决。

Image Watch实例：

利用二维SURF特征和单映射寻找已知物体。输入两幅图像，一幅是需要寻找的物体图像，另一幅是场景中包含此物体的图像。

SURF特征的特征描述方法封装在SurfFeatureDetector类中，利用成员函数detect函数检测出SURF特征的关键点，保存在vector容器中，再利用SurfDesciptorExtractor类进行特征向量的计算，将之前的vector变量变成矩阵形式保存在Mat中。

利用FLANN特征匹配算法进行匹配，此算法封装在FlannBaseMatcher类中，匹配后保留好的特征匹配点。利用findHomography获取匹配特征点之间的变换，最后利用perspectiveTransform定位到场景图中物体的4个点。

代码如下：

#include 
#include 
#include 
#include 
#include 
#include 
#include 

using namespace cv;

void usage()
{
    std::cout << "Usage: ./FindObjectByFeature   " << std::endl;
}

int main(int argc, char *argv[])
{
    if(argc != 3)
    {
        usage();
        return -1;
    }

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

    if(!img_object.data || !img_scene.data)
    {
        std::cout << "Error reading images!" << std::endl; 
        return -1;
    }

    //step1:检测SURF特征点/////////////////////////////////////////////////////////////////
    int minHeassian = 400;
    SurfFeatureDetector detector(minHeassian);

    std::vector keypoints_object, keypoints_scene;

    detector.detect(img_object, keypoints_object);
    detector.detect(img_scene, keypoints_scene);

    //step2:计算特征向量///////////////////////////////////////////////////////////////////
    SurfDescriptorExtractor extractor;

    Mat descriptors_object, descriptors_scene;

    extractor.compute(img_object, keypoints_object, descriptors_object);
    extractor.compute(img_scene, keypoints_scene, descriptors_scene);

    //step3:利用FLANN匹配算法匹配特征描述向量//////////////////////////////////////////////
    FlannBasedMatcher matcher;
    std::vector matches;
    matcher.match( descriptors_object, descriptors_scene, matches);

    double max_dist = 0; double min_dist = 100;

    //快速计算特征点之间的最大和最小距离///////////////////////////////////////////////////
    for(int i = 0; i < descriptors_object.rows; i++)
    {
        double dist = matches[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);

    //只画出好的匹配点(匹配特征点之间距离小于3*min_dist)//////////////////////////////////
    std::vector good_matches;

    for(int i = 0; i < descriptors_object.rows; i++)
    {
        if(matches[i].distance < 3*min_dist)
            good_matches.push_back(matches[i]);
    }

    Mat img_matches;
    drawMatches(img_object, keypoints_object, img_scene, keypoints_scene,
        good_matches, img_matches, Scalar::all(-1), Scalar::all(-1),
        vector(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

    //定位物体////////////////////////////////////////////////////////////////////////////
    std::vector obj;
    std::vector scene;

    for(int i = 0; i < good_matches.size(); i++)
    {
        //从好的匹配中获取特征点/////////////////////////////////////
        obj.push_back(keypoints_object[good_matches[i].queryIdx].pt);
        scene.push_back(keypoints_scene[good_matches[i].trainIdx].pt);
    }

    //找出匹配特征点之间的变换///////////////////
    Mat H = findHomography(obj, scene, CV_RANSAC);

    //得到image_1的角点(需要寻找的物体)//////////
    std::vector obj_corners(4);
    obj_corners[0] = cvPoint(0,0);
    obj_corners[1] = cvPoint(img_object.cols, 0);
    obj_corners[2] = cvPoint(img_object.cols, img_object.rows);
    obj_corners[3] = cvPoint(0, img_object.rows);
    std::vector scene_corners(4);
    
    //匹配四个角点/////////////////////////////////////
    perspectiveTransform(obj_corners, scene_corners, H);

    //画出匹配的物体///////////////////////////////////////////////////////////////////////
    line(img_matches, scene_corners[0] + Point2f(img_object.cols, 0), scene_corners[1] + Point2f(img_object.cols, 0), Scalar(0,255,0), 4);
    line(img_matches, scene_corners[1] + Point2f(img_object.cols, 0), scene_corners[2] + Point2f(img_object.cols, 0), Scalar(0,255,0), 4);
    line(img_matches, scene_corners[2] + Point2f(img_object.cols, 0), scene_corners[3] + Point2f(img_object.cols, 0), Scalar(0,255,0), 4);
    line(img_matches, scene_corners[3] + Point2f(img_object.cols, 0), scene_corners[0] + Point2f(img_object.cols, 0), Scalar(0,255,0), 4);

    imshow("Good Matches & Object detection", img_matches);

    waitKey(0);
    return 0;
}