提供所有用於查詢使用者提供或類內部資料集（使用者必須填充）的功能，基於描述符匹配器模型。更多...

#include <opencv2/line_descriptor/descriptor.hpp>

cv::line_descriptor::BinaryDescriptorMatcher 的協作圖

公共成員函式
	BinaryDescriptorMatcher ()
	建構函式。

	~BinaryDescriptorMatcher ()

void	add (const std::vector< Mat > &descriptors)
	在本地儲存要插入資料集的新描述符，而不更新資料集。

void	clear () CV_OVERRIDE
	清除資料集和內部資料。

void	knnMatch (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< std::vector< DMatch > > &matches, int k, const Mat &mask=Mat(), bool compactResult=false) const
	對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中檢索最佳的 k 個匹配項。

void	knnMatch (const Mat &queryDescriptors, std::vector< std::vector< DMatch > > &matches, int k, const std::vector< Mat > &masks=std::vector< Mat >(), bool compactResult=false)

void	match (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< DMatch > &matches, const Mat &mask=Mat()) const
	對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中檢索最佳匹配項。

void	match (const Mat &queryDescriptors, std::vector< DMatch > &matches, const std::vector< Mat > &masks=std::vector< Mat >())

void	radiusMatch (const Mat &queryDescriptors, const Mat &trainDescriptors, std::vector< std::vector< DMatch > > &matches, float maxDistance, const Mat &mask=Mat(), bool compactResult=false) const
	對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中，檢索所有距離輸入查詢不超過 maxDist 的描述符。

void	radiusMatch (const Mat &queryDescriptors, std::vector< std::vector< DMatch > > &matches, float maxDistance, const std::vector< Mat > &masks=std::vector< Mat >(), bool compactResult=false)

void	train ()
	透過將所有由 add 函式本地儲存的描述符插入資料集來更新資料集。

繼承自 cv::Algorithm 的公共成員函式
	Algorithm ()

virtual	~Algorithm ()

virtual bool	empty () const
	如果演算法為空（例如，在最開始或讀取不成功之後），則返回 true。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。

void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static Ptr< BinaryDescriptorMatcher >	createBinaryDescriptorMatcher ()
	建立一個 BinaryDescriptorMatcher 物件並返回一個智慧指標。

繼承自 cv::Algorithm 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

額外繼承的成員
繼承自 cv::Algorithm 的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

提供所有用於查詢使用者提供或類內部資料集（使用者必須填充）的功能，基於描述符匹配器模型。

一旦從影像中提取了描述符（無論是表示線還是點），將一個描述符與從不同影像中提取的、表示相同線或點（從不同視角或不同尺度觀察）的另一個描述符進行匹配就變得很有趣。為了實現這一目標，主要難題在於設計一種高效的搜尋演算法，以將查詢描述符與從資料集中提取的描述符關聯起來。下面將介紹一種基於 多索引雜湊 (Multi-Index Hashing, MiHashing) 的匹配方式。

多索引雜湊

本節中描述的理論基於[212]。給定一個填充了二進位制碼的資料集，每個碼根據其被分成的 m 個子字串，被索引到 m 個不同的雜湊表中 m 次。因此，給定一個查詢碼，搜尋將返回所有至少在一個子字串中與其接近的條目作為 鄰居候選者。然後透過驗證它們的完整程式碼與查詢碼的距離（在漢明空間中）不超過 r 位來檢查返回條目的有效性。詳細來說，每個由 b 位組成的二進位制碼 h 被分成 m 個不相交的子字串 \(\mathbf{h}^{(1)}, ..., \mathbf{h}^{(m)}\)，每個子字串的長度為 \(\lfloor b/m \rfloor\) 或 \(\lceil b/m \rceil\) 位。形式上，當兩個碼 h 和 g 最多相差 r 位時，在它們至少一個 m 子字串中，它們最多相差 \(\lfloor r/m \rfloor\) 位。特別地，當 \(||\mathbf{h}-\mathbf{g}||_H \le r\)（其中 \(||.||_H\) 是漢明範數）時，必然存在一個子字串 k（其中 \(1 \le k \le m\)），使得

\[||\mathbf{h}^{(k)} - \mathbf{g}^{(k)}||_H \le \left\lfloor \frac{r}{m} \right\rfloor .\]

這意味著如果每個 m 子字串之間的漢明距離嚴格大於 \(\lfloor r/m \rfloor\)，則 \(||\mathbf{h}-\mathbf{g}||_H\) 必須大於 r，這是一個矛盾。如果資料集中的程式碼被分成 m 個子字串，那麼將構建 m 個表。給定一個查詢 q，其子字串為 \(\{\mathbf{q}^{(i)}\}^m_{i=1}\)，則搜尋第 i 個雜湊表以查詢距離 \(\mathbf{q}^{(i)}\) 最多 \(\lfloor r/m \rfloor\) 的條目，並獲得一組候選者 \(\mathcal{N}_i(\mathbf{q})\)。集合 \(\mathcal{N}(\mathbf{q}) = \bigcup_i \mathcal{N}_i(\mathbf{q})\) 的並集是 q 的 r-鄰居的超集。然後，演算法的最後一步是計算 q 與 \(\mathcal{N}(\mathbf{q})\) 中每個元素之間的漢明距離，刪除與 q 距離大於 r 的程式碼。

建構函式 & 解構函式文件

◆ BinaryDescriptorMatcher()

cv::line_descriptor::BinaryDescriptorMatcher::BinaryDescriptorMatcher ( )

Python
	cv.line_descriptor.BinaryDescriptorMatcher(		) ->	<line_descriptor_BinaryDescriptorMatcher object>

建構函式。

構建的 BinaryDescriptorMatcher 能夠儲存和管理 256 位長的條目。

◆ ~BinaryDescriptorMatcher()

cv::line_descriptor::BinaryDescriptorMatcher::~BinaryDescriptorMatcher ( )

inline

解構函式

成員函式文件

◆ add()

void cv::line_descriptor::BinaryDescriptorMatcher::add ( const std::vector< Mat > & descriptors )

在本地儲存要插入資料集的新描述符，而不更新資料集。

引數

descriptors 包含要插入資料集的描述符的矩陣

注意: descriptors 中的每個矩陣 i 應包含與從第 i 張影像中提取的線相關的描述符。

◆ clear()

void cv::line_descriptor::BinaryDescriptorMatcher::clear ( )

virtual

清除資料集和內部資料。

重新實現自 cv::Algorithm。

◆ createBinaryDescriptorMatcher()

static Ptr< BinaryDescriptorMatcher > cv::line_descriptor::BinaryDescriptorMatcher::createBinaryDescriptorMatcher ( )

static

建立一個 BinaryDescriptorMatcher 物件並返回一個智慧指標。

◆ knnMatch() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::knnMatch	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		int	k,
		const Mat &	mask = Mat(),
		bool	compactResult = false ) const

Python
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatch(	queryDescriptors, trainDescriptors, k[, mask[, compactResult]]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatchQuery(	queryDescriptors, matches, k[, masks[, compactResult]]	) ->	無

對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中檢索最佳的 k 個匹配項。

引數

queryDescriptors	查詢描述符
trainDescriptors	使用者提供的描述符資料集
matches	用於儲存檢索到的匹配項的向量
k	為每個輸入查詢返回的最接近描述符的數量
mask	用於選擇哪些輸入描述符必須與資料集中的描述符匹配的掩碼
compactResult	獲取緊湊結果的標誌（如果為 true，則對於給定查詢不包含任何匹配項的向量不會插入最終結果中）

◆ knnMatch() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::knnMatch	(	const Mat &	queryDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		int	k,
		const std::vector< Mat > &	masks = std::vector< Mat >(),
		bool	compactResult = false )

Python
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatch(	queryDescriptors, trainDescriptors, k[, mask[, compactResult]]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.knnMatchQuery(	queryDescriptors, matches, k[, masks[, compactResult]]	) ->	無

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於它接受的引數。

引數

queryDescriptors	查詢描述符
matches	用於儲存檢索到的匹配項的向量
k	為每個輸入查詢返回的最接近描述符的數量
遮罩	掩碼向量，用於選擇哪些輸入描述符必須與資料集中的描述符匹配（向量中的第 i 個掩碼錶示每個輸入查詢是否可以與資料集中與第 i 張影像相關的描述符匹配）
compactResult	獲取緊湊結果的標誌（如果為 true，則對於給定查詢不包含任何匹配項的向量不會插入最終結果中）

◆ match() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::match	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< DMatch > &	matches,
		const Mat &	mask = Mat() ) const

Python
	cv.line_descriptor.BinaryDescriptorMatcher.match(	queryDescriptors, trainDescriptors[, mask]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.matchQuery(	queryDescriptors[, masks]	) ->	matches

對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中檢索最佳匹配項。

引數

queryDescriptors	查詢描述符
trainDescriptors	使用者提供的描述符資料集
matches	用於儲存檢索到的匹配項的向量
mask	用於選擇哪些輸入描述符必須與資料集中的描述符匹配的掩碼

◆ match() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::match	(	const Mat &	queryDescriptors,
		std::vector< DMatch > &	matches,
		const std::vector< Mat > &	masks = std::vector< Mat >() )

Python
	cv.line_descriptor.BinaryDescriptorMatcher.match(	queryDescriptors, trainDescriptors[, mask]	) ->	matches
	cv.line_descriptor.BinaryDescriptorMatcher.matchQuery(	queryDescriptors[, masks]	) ->	matches

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於它接受的引數。

引數

queryDescriptors	查詢描述符
matches	用於儲存檢索到的匹配項的向量
遮罩	掩碼向量，用於選擇哪些輸入描述符必須與資料集中的描述符匹配（向量中的第 i 個掩碼錶示每個輸入查詢是否可以與資料集中與第 i 張影像相關的描述符匹配）

◆ radiusMatch() [1/2]

void cv::line_descriptor::BinaryDescriptorMatcher::radiusMatch	(	const Mat &	queryDescriptors,
		const Mat &	trainDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		float	maxDistance,
		const Mat &	mask = Mat(),
		bool	compactResult = false ) const

對於每個輸入查詢描述符，從使用者提供的資料集或類內部資料集中，檢索所有距離輸入查詢不超過 maxDist 的描述符。

引數

queryDescriptors	查詢描述符
trainDescriptors	使用者提供的描述符資料集
matches	用於儲存檢索到的匹配項的向量
maxDistance	搜尋半徑
mask	用於選擇哪些輸入描述符必須與資料集中的描述符匹配的掩碼
compactResult	獲取緊湊結果的標誌（如果為 true，則對於給定查詢不包含任何匹配項的向量不會插入最終結果中）

◆ radiusMatch() [2/2]

void cv::line_descriptor::BinaryDescriptorMatcher::radiusMatch	(	const Mat &	queryDescriptors,
		std::vector< std::vector< DMatch > > &	matches,
		float	maxDistance,
		const std::vector< Mat > &	masks = std::vector< Mat >(),
		bool	compactResult = false )

這是一個過載成員函式，為方便起見而提供。它與上述函式的區別僅在於它接受的引數。

引數

queryDescriptors	查詢描述符
matches	用於儲存檢索到的匹配項的向量
maxDistance	搜尋半徑
遮罩	掩碼向量，用於選擇哪些輸入描述符必須與資料集中的描述符匹配（向量中的第 i 個掩碼錶示每個輸入查詢是否可以與資料集中與第 i 張影像相關的描述符匹配）
compactResult	獲取緊湊結果的標誌（如果為 true，則對於給定查詢不包含任何匹配項的向量不會插入最終結果中）

◆ train()

void cv::line_descriptor::BinaryDescriptorMatcher::train ( )

透過將所有由 add 函式本地儲存的描述符插入資料集來更新資料集。

注意: 每次呼叫此函式時，當前資料集都會被刪除，並且本地儲存的描述符將被插入到資料集中。然後，本地儲存的剛剛插入的描述符副本將被移除。

此類的文件是從以下檔案生成的

opencv2/line_descriptor/descriptor.hpp

公共成員函式

靜態公共成員函式

額外繼承的成員

詳細描述

多索引雜湊

建構函式 & 解構函式文件

◆ BinaryDescriptorMatcher()

◆ ~BinaryDescriptorMatcher()

成員函式文件

◆ add()

◆ clear()

◆ createBinaryDescriptorMatcher()

◆ knnMatch() [1/2]

◆ knnMatch() [2/2]

◆ match() [1/2]

◆ match() [2/2]

◆ radiusMatch() [1/2]

◆ radiusMatch() [2/2]

◆ train()