ORB-SLAM2 ---- ORBextractor::operator()

最新推荐文章于 2025-05-27 11:37:40 发布

原创

最新推荐文章于 2025-05-27 11:37:40 发布 · 850 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #深度学习

文章目录

一、函数作用
二、源码及注释
三、函数讲解
四、总结

一、函数作用

此函数为特征点提取中的主函数，也是最重要的一个函数，这是一个仿函数，会在下文中讲到。之所以说本函数是主函数，因为他直接或间接的调用了除构造函数外的所有函数，它完整的实现了特征提取功能（金字塔构建、给每层金字塔分配特征点数、给金字塔每层图像扩充图像边界，提取/分配/筛选特征点，计算特征点的方向信息和描述子等）

二、源码及注释

void ORBextractor::operator()( InputArray _image, InputArray _mask, vector<KeyPoint>& _keypoints,
                      OutputArray _descriptors)
{ 
    // 判断图像是否为空
    if(_image.empty())
        return;
    // 将输入的 _image 转换为 Mat 类型，并确保它是灰度图像 (CV_8UC1)
    Mat image = _image.getMat();
    // 括号内的为真则继续进行，为假则输出报错信息
    assert(image.type() == CV_8UC1 );

    // Pre-compute the scale pyramid
    // 预先计算图像的金字塔 (图像金字塔用于多尺度特征检测)
    ComputePyramid(image);

    // 用于存储所有金字塔层的特征点
    vector < vector<KeyPoint> > allKeypoints;

    // 使用八叉树 (OctTree) 方法计算每一层的特征点
    ComputeKeyPointsOctTree(allKeypoints);
    //ComputeKeyPointsOld(allKeypoints);

    // 初始化描述子矩阵
    Mat descriptors;

    // 统计所有金字塔层中的关特征点总数
    int nkeypoints = 0;
    for (int level = 0; level < nlevels; ++level)
        nkeypoints += (int)allKeypoints[level].size();

    // 如果没有找到特征点，释放描述子矩阵并返回
    if( nkeypoints == 0 )
        _descriptors.release();
    else
    {
        // 为描述子矩阵分配空间，描述子的大小为 nkeypoints × 32，类型为 CV_8U
        _descriptors.create(nkeypoints, 32, CV_8U);
        descriptors = _descriptors.getMat();
    }

    // 清空并准备特征点容器
    _keypoints.clear();
    _keypoints.reserve(nkeypoints);

    // 用于描述子的偏移量，用于遍历金字塔层时对每层的关键点处理
    int offset = 0;

    // 遍历每一层的金字塔
    for (int level = 0; level < nlevels;