Windows平台编译opencv_contrib for java以及对SIFT(SURF)特征检测算法的使用（附编译好的dll jar包）

引言

近几个月来一直在使用opencv，但无奈于网络上用java语言做图像处理的少之又少，很多时候找不到资料。

最近需要使用opencv的超分和SIFT等特征检测算法，查阅了几天资料踩了一些坑，最终得到了可以使用的opencv_contrib的dll以及jar包，随后会附赠到文章中（某隔壁网站拿一些没法用的资源收费简直是损阴德。）

准备工具

• VS2019（请务必选择2019，使用2022编译时可能出现未知错误）
• opencv和opencv_contrib的包（OpenCV (github.com)）
• cmake安装并添加环境变量
• ant安装并添加环境变量
• python环境安装并添加环境变量

编译

• 由于网络问题，opencv源文件中的.cache文件夹中需要下载的文件下载失败。

可以直接查看cmake的错误日志，前往github下载所需下载的文件放入.cache文件夹中即可正常编译

附上4.1.2所需的.cache链接
链接：pan.baidu.com/s/1V-yUfMW_…
提取码：hgqd

• 若选择其他版本的VS，可能出现OpenCV does not recognize MSVC_VERSION “1933“等错误Visual Studio版本号、MSVC版本、工具集版本号_查看msvc版本-CSDN博客
  查阅VS对应的MSVC版本，在opencv/cmake/OpenCVDetectCXXCompiler.cmake文件中添加如图所示语句即可解决。

• 搜索java，勾选BUILD_JAVA、BUILD_opencv_java、BUILD_opencv_java_bindings_generator
• 搜索nonf，勾选OPENCV_ENABLE_NONFREE（对SIFT等算法的支持）
• 搜索share，取消勾选BUILD_SHARED_LIBS（让生成的dll都在一个文件中）
• 搜索ant，在ANT_EXECUTABLE行添加ant.bat批处理文件的路径
• 搜索module，在OPENCV_EXTRA_MODUELES_PATH行添加下载的opencv_contrib源代码中的module文件夹路径

可能遇到的问题：下载超时

在opencv_contrib/modules/face/CMakeList.txt中将下载链接改成如下图所示raw.sevencdn.com

打开VS2019，重新生成解决方案

待编译完成后，在CMakeTargets中的INSTALL-仅用于项目-仅重新生成。等待编译结束即可在Cmake中选择的目标文件夹下的install目录中找到java所需相关包

附赠链接，opencv4.1.2包含conrtib模块的jar包和dll拓展文件

链接：pan.baidu.com/s/16fZfbpah…
提取码：s4y4
--来自百度网盘超级会员V6的分享

SIFT算法的使用

不得不说用JAVA写这个的资料是更少……在这里我只放核心模块，具体可以直接执行的代码随后会放参考链接，按照链接博客里的代码稍微改动就可以直接使用

其中nndrRatio博主填写的是0.7f，算是一个效果比较好的值，各位可以自行尝试调整。

 
 public void matchImage(BufferedImage templateImageB, BufferedImage originalImageB) {
 
        Mat resT = new Mat();
        Mat resO = new Mat();
 
        //即当detector 又当Detector
        SIFT sift = SIFT.create();
 
        Mat templateImage = getMatify(templateImageB);
        Mat originalImage = getMatify(originalImageB);
 
        MatOfKeyPoint templateKeyPoints = new MatOfKeyPoint();
        MatOfKeyPoint originalKeyPoints = new MatOfKeyPoint();
 
        //获取模板图的特征点
        sift.detect(templateImage, templateKeyPoints);
        sift.detect(originalImage, originalKeyPoints);
 
        
        sift.compute(templateImage, templateKeyPoints, resT);
        sift.compute(originalImage, originalKeyPoints, resO);
 
        List matches = new LinkedList();
        DescriptorMatcher descriptorMatcher = DescriptorMatcher.create(DescriptorMatcher.FLANNBASED);
        System.out.println("寻找最佳匹配");
 
        printPic("ptest", templateImage);
        printPic("ptesO", originalImage);
 
        printPic("test", resT);
        printPic("tesO", resO);
 
        /**
         * knnMatch方法的作用就是在给定特征描述集合中寻找最佳匹配
         * 使用KNN-matching算法，令K=2，则每个match得到两个最接近的descriptor，然后计算最接近距离和次接近距离之间的比值，当比值大于既定值时，才作为最终match。
         */
        descriptorMatcher.knnMatch(resT, resO, matches, 2);
        System.out.println("计算匹配结果");
        LinkedList goodMatchesList = new LinkedList();
        //对匹配结果进行筛选，依据distance进行筛选
        matches.forEach(match -> {
            DMatch[] dmatcharray = match.toArray();
            DMatch m1 = dmatcharray[0];
            DMatch m2 = dmatcharray[1];
 
            if (m1.distance = 4) {
            System.out.println("模板图在原图匹配成功！");
 
            List templateKeyPointList = templateKeyPoints.toList();
            List originalKeyPointList = originalKeyPoints.toList();
            LinkedList objectPoints = new LinkedList();
            LinkedList scenePoints = new LinkedList();
            goodMatchesList.forEach(goodMatch -> {
                objectPoints.addLast(templateKeyPointList.get(goodMatch.queryIdx).pt);
                scenePoints.addLast(originalKeyPointList.get(goodMatch.trainIdx).pt);
            });
            MatOfPoint2f objMatOfPoint2f = new MatOfPoint2f();
            objMatOfPoint2f.fromList(objectPoints);
            MatOfPoint2f scnMatOfPoint2f = new MatOfPoint2f();
            scnMatOfPoint2f.fromList(scenePoints);
            //使用 findHomography 寻找匹配上的关键点的变换
            Mat homography = Calib3d.findHomography(objMatOfPoint2f, scnMatOfPoint2f, Calib3d.RANSAC, 3);
 
            /**
             * 透视变换(Perspective Transformation)是将图片投影到一个新的视平面(Viewing Plane)，也称作投影映射(Projective Mapping)。
             */
            Mat templateCorners = new Mat(4, 1, CvType.CV_32FC2);
            Mat templateTransformResult = new Mat(4, 1, CvType.CV_32FC2);
            templateCorners.put(0, 0, new double[]{0, 0});
            templateCorners.put(1, 0, new double[]{templateImage.cols(), 0});
            templateCorners.put(2, 0, new double[]{templateImage.cols(), templateImage.rows()});
            templateCorners.put(3, 0, new double[]{0, templateImage.rows()});
            //使用 perspectiveTransform 将模板图进行透视变以矫正图象得到标准图片
            Core.perspectiveTransform(templateCorners, templateTransformResult, homography);
 
            //矩形四个顶点  匹配的图片经过旋转之后就这个矩形的四个点的位置就不是正常的abcd了
            double[] pointA = templateTransformResult.get(0, 0);
            double[] pointB = templateTransformResult.get(1, 0);
            double[] pointC = templateTransformResult.get(2, 0);
            double[] pointD = templateTransformResult.get(3, 0);
 
            //指定取得数组子集的范围
//            int rowStart = (int) pointA[1];
//            int rowEnd = (int) pointC[1];
//            int colStart = (int) pointD[0];
//            int colEnd = (int) pointB[0];
            //rowStart, rowEnd, colStart, colEnd 好像必须左上右下  没必要从原图扣下来模板图了
//            Mat subMat = originalImage.submat(rowStart, rowEnd, colStart, colEnd);
//            printPic("yppt", subMat);
 
            //将匹配的图像用用四条线框出来
            Imgproc.rectangle(originalImage, new Point(pointA), new Point(pointC), new Scalar(0, 255, 0));
           /* Core.line(originalImage, new Point(pointA), new Point(pointB), new Scalar(0, 255, 0), 4);//上 A->B
            Core.line(originalImage, new Point(pointB), new Point(pointC), new Scalar(0, 255, 0), 4);//右 B->C
            Core.line(originalImage, new Point(pointC), new Point(pointD), new Scalar(0, 255, 0), 4);//下 C->D
            Core.line(originalImage, new Point(pointD), new Point(pointA), new Scalar(0, 255, 0), 4);//左 D->A*/
 
            MatOfDMatch goodMatches = new MatOfDMatch();
            goodMatches.fromList(goodMatchesList);
            Mat matchOutput = new Mat(originalImage.rows() * 2, originalImage.cols() * 2, Imgcodecs.IMREAD_COLOR);
            Features2d.drawMatches(templateImage, templateKeyPoints, originalImage, originalKeyPoints, goodMatches, matchOutput, new Scalar(0, 255, 0), new Scalar(255, 0, 0), new MatOfByte(), 2);
            Features2d.drawMatches(templateImage, templateKeyPoints, originalImage, originalKeyPoints, goodMatches, matchOutput, new Scalar(0, 255, 0), new Scalar(255, 0, 0), new MatOfByte(), 2);
 
            printPic("ppgc", matchOutput);
            printPic("ytwz", originalImage);
        } else {
            System.out.println("模板图不在原图中！");
        }
        printPic("模板特征点", resT);
    }
 
 
    public void printPic(String name, Mat pre) {
        Imgcodecs.imwrite(name + ".jpg", pre);
    }
 
    /**
     * 尝试把BufferedImage转换为Mat
     *
     * @param im
     * @return
     */
    public Mat getMatify(BufferedImage im) {
        BufferedImage bufferedImage = toBufferedImageOfType(im, BufferedImage.TYPE_3BYTE_BGR);
        //将bufferedimage转换为字节数组
        byte[] pixels = ((DataBufferByte) bufferedImage.getRaster().getDataBuffer()).getData();
//        byte[] pixels = ((DataBufferByte) im.getRaster().getDataBuffer()).getData();
        Mat image = new Mat(bufferedImage.getHeight(), bufferedImage.getWidth(), CvType.CV_8UC3);
 
        image.put(0, 0, pixels);
 
        return image;
    }

参考博客

【一】win10下编译opencv4.1.2，opencv_contrib for java_win10编译opencv cuda cudnn支持java_东街猫儿的博客-CSDN博客

Visual Studio版本号、MSVC版本、工具集版本号_查看msvc版本-CSDN博客

openCV4.4.0 基于SIFT特征值的图像匹配【java】。。。。。搞到吐_public picpoint_Sakura小败狗的博客-CSDN博客

结语

整理不易，觉得有用的话麻烦点点赞吧。
再次吐槽某些拿国外资源以及无法使用的资源进行付费的行为。