openCV特征点识别与findHomography算法过滤⼀，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。
墙纸手机
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）粗心反义词
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。
苹果黄瓜汁
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
Mat cv::findHomography ( InputArray srcPoints,
InputArray dstPoints,
int method = 0,男士的英文
double ransacReprojThreshold = 3,
OutputArray mask = noArray(),
const int maxIters = 2000,
const double confidence = 0.995
)
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
//图⽚映射矩阵把不同⾓度的图⽚矫正
void findHomographyText(){
// Read source image.
Mat src = imread("F:\\视觉\\opencv\\pic\\1.png");
// Four corners of the book in source image
vector<Point2f> pts_src;
pts_src.push_back(Point2f(0, 0));
pts_src.push_back(ls, 0));
pts_src.push_back(ls, ws));
pts_src.push_back(Point2f(0, ws));
// Four corners of the book in destination image.
vector<Point2f> pts_dst;
pts_dst.push_back(Point2f(0, 0));
pts_dst.push_back(ls/4, 0));
pts_dst.push_back(ls/3, ws));
pts_dst.push_back(Point2f(0, ws/2));
// Calculate Homography
Mat h = findHomography(pts_src, pts_dst);
// Output image
Mat im_out;
泡面要泡几分钟
/
/ Warp source image to destination bad on homography
关于父爱的文章
warpPerspective(src, im_out, h, src.size());
// Display images
imshow("Source Image", src);
imshow("Warped Source Image", im_out);
waitKey(0);
}
结果如下图所⽰对图像进⾏拉伸
步骤如下
1，相求H
vector<Point2f> pts_src;
pts_src.push_back(Point2f(0, 0));
pts_src.push_back(ls, 0));
pts_src.push_back(ls, ws));
pts_src.push_back(Point2f(0, ws));
作揖读音// Four corners of the book in destination image.
vector<Point2f> pts_dst;无忧无虑什么意思
pts_dst.push_back(Point2f(0, 0));
pts_dst.push_back(ls/4, 0));
pts_dst.push_back(ls/3, ws));
pts_dst.push_back(Point2f(0, ws/2));
// Calculate Homography
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 FlannBadMatcher （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
