keypoint && DMatch

下面单独介绍KEYPOINT 与DMatch的内在联系

     std::vector<cv::Point2f> points1, points2;

     for (std::vector<cv::DMatch>::const_iterator it= matches.begin();
              it!= matches.end(); ++it) {

              // Get the position of left keypoints
              float x= keypoints1[it->queryIdx].pt.x;
 8              float y= keypoints1[it->queryIdx].pt.y;
              points1.push_back(cv::Point2f(x,y));
              cv::circle(image1,cv::Point(x,y),,cv::Scalar(,,),);
              // Get the position of right keypoints
              x= keypoints2[it->trainIdx].pt.x;
13              y= keypoints2[it->trainIdx].pt.y;
              cv::circle(image2,cv::Point(x,y),,cv::Scalar(,,),);
              points2.push_back(cv::Point2f(x,y));
     }

class KeyPoint

{

 Point2f  pt;  //坐标  常用的就是这个了

float  size; //特征点邻域直径

float  angle; //特征点的方向，值为[零,三百六十)，负值表示不使用

float  response;

int  octave; //特征点所在的图像金字塔的组

int  class_id; //用于聚类的id

}

1. 存放匹配结果的结构：

   struct DMatch

   {              //三个构造函数

   DMatch():

   queryIdx(-1),trainIdx(-1),imgIdx(-1),distance(std::numeric_limits<float>::max()) {} //这块就相当于初始化

   DMatch(int  _queryIdx, int  _trainIdx, float  _distance ) :

   queryIdx( _queryIdx),trainIdx( _trainIdx), imgIdx(-1),distance( _distance) {}

   DMatch(int  _queryIdx, int  _trainIdx, int  _imgIdx, float  _distance ) :                   queryIdx(_queryIdx), trainIdx( _trainIdx), imgIdx( _imgIdx),distance( _distance) {}

   intqueryIdx;  //此匹配对应的查询图像的特征描述子索引

   inttrainIdx;   //此匹配对应的训练(模板)图像的特征描述子索引

   intimgIdx;    //训练图像的索引(若有多个)

   /*********************************         

   int queryIdx; // query descriptor index
   int trainIdx; // train descriptor index
   int imgIdx; // train image index

   ***********************************/

   float distance;  //两个特征向量之间的欧氏距离，越小表明匹配度越高。

   bool operator  < (const DMatch &m) const;

   };

2. 3

   图片中特征点欧式距离的计算公式：

   0ρ = √( (x1-x2)2+(y1-y2)2 )　|x| = √( x2 + y2 )