学习OpenCV——KeyPoint Matching 优化方式

最新推荐文章于 2023-08-12 18:15:00 发布
最新推荐文章于 2023-08-12 18:15:00 发布
阅读量3.2w 收藏 46
点赞数 18
分类专栏： 特征篇 OpenCV
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yangtrees/article/details/19928191
版权

今天读Mastering OpenCV with Practical Computer Vision Projects 中的第三章里面讲到了几种特征点匹配的优化方式，在此记录。

在图像特征点检测完成后（特征点检测参考：学习OpenCV——BOW特征提取函数（特征点篇）），就会进入Matching  procedure。



1. OpenCV提供了两种Matching方式：

• Brute-force matcher (cv::BFMatcher) 

• Flann-based matcher (cv::FlannBasedMatcher)

Brute-force matcher就是用暴力方法找到点集一中每个descriptor在点集二中距离最近的descriptor；

Flann-based matcher 使用快速近似最近邻搜索算法寻找（用快速的第三方库近似最近邻搜索算法）

一般把点集一称为 train set （训练集）对应模板图像，

最低0.47元/天 解锁文章
小熊不去实验室
关注
  • 18
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 11
    评论
专栏目录
OpenCV中的模块：点云配准
A_Jia_17的博客
05-10 336
基于OpenCV实现了点云之间由粗到精的配准。
OpenCV 特征点匹配及 优化下载
01-04
博客 http://www.cnblogs.com/wangguchangqing/p/4333873.html 中的demo代码，鉴于有很多人想参考下，就上传到这了。 主要是匹配后，计算两视图的基础矩阵F，然后再除去不适合的匹配点. 代码中 好像还有一部分三角计算的代码
opencv特征点匹配（暴力匹配优化）
liuyu的博客
09-02 2483
opencv特征点匹配（暴力匹配与优化） 1.相关函数 1.knnMatch() 方法，而k=1，返回一对匹配子，这个方法只返回最接近的距离的一对匹配子，当有足够多的匹配子的时候，这种方法通常能够产生最好的结果和最小的误差。 2.Dmatch类 struct CV_EXPORTS_W_SIMPLE DMatch { CV_WRAP DMatch() : queryIdx(-1), trainIdx(-1), imgIdx(-1), distance(FLT_MAX) {}//1 CV_WRA
[OpenCV]DMatch类和KeyPoints类：特征点匹配
aed16617的博客
01-16 629
DMatch struct CV_EXPORTS_W_SIMPLE DMatch { CV_WRAP DMatch() : queryIdx(-1), trainIdx(-1), imgIdx(-1), distance(FLT_MAX) {}//1 CV_WRAP DMatch( int _queryIdx, int _trainIdx, float ...
OpenCV机器学习——支持向量机SVM
01-27
OpenCV中集成了多种机器学习算法供我们方便使用，如果我们要训练数据进行分类，不用自己写分类器，只需要调用相应的库和类即可轻松实现。本文重点不在于介绍机器学习原理及数学推导，着重介绍OpenCV中的机器学习相关...
OpenCV学习笔记——1
01-06
一、OpenCV概念 OpenCV是什么？ OpenCV 是一个开源的计算机视觉库，可以从 http://opencv.org 获取。 OpenCV 库用C语言和 C++ 语言编写，可以在 Windows、Linux、Mac OS X 等系统运行。同时也在积极开发 Python、...
OpenCv —— 检测车牌号
06-24
具体查看博文：...
OpenCv —— 检测高速车流
06-24
OpenCv —— 检测高速车流。具体查看csdn博文：https://blog.csdn.net/automoblie0/article/details/125440284?spm=1001.2014.3001.5502
OpenCv —— 人脸识别（附完整源码）
06-09
OpenCv —— 人脸识别（附完整源码）。具体查看csdn文章: ...
特征点的检测与匹配（ORB,SIFT,SURFT比较）[opencv-python]
weixin_43151193的博客
06-10 9668
特征点的检测与匹配（ORB,SIFT,SURFT比较）
opencv+java-特征点算法
xiaopy_0508的博客
02-13 5443
特征点检测和匹配是计算机视觉中一个很有用的技术。在物体检测，视觉跟踪，三维常年关键等领域都有很广泛的应用。很多传统的算法都很耗时，而且特征点检测算法只是很多复杂图像处理里中的第一步，得不偿失。FAST特征点检测是公认的比较快速的特征点检测方法，只利用周围像素比较的信息就可以得到特征点，简单，有效。 FAST特征检测算法来源于corner的定义，这个定义基于特征点周围的图像灰度值，检测候选
特征点检测与匹配
m0_63520910的博客
04-12 8643
参考博客图像特征匹配方法——SIFT算法原理及实现_Eating Lee的博客-CSDN博客_sift匹配算法 参考博客https://blog.csdn.net/v_JULY_v/article/details/6186942 在图像处理中，有时候并不需要使用目标所有的像素，所以，可以从图像中提取能够表示图像特性或者局部特性的像素，这些像素叫做角点或者特征点。 使用它可以极大地减少数据量，提高计算速度。它的应用也很广泛，比如基于特征点的图像匹配、定位和三维重建。 一、特征点检测 1、角点 角.
Kaggle图像匹配大赛TOP方案分享【附金牌开源代码】
最新发布
学姐带你玩AI的博客
08-12 401
我们提出了一个从粗到细的SfM框架，以从最近无检测器匹配器的成功中获益，同时解决无检测器匹配器的多视图不一致问题。
python+opencv实现图像特征检测，图像拼接
qq_44019424的博客
05-09 1万+
摘要： 使用基于python的opencv中的sift算法检测图像中的特征点。通过knn匹配，每个关键点两个match，即最近邻与次近邻。 采用SIFT作者提出的比较最近邻距离与次近邻距离的SIFT匹配方式来筛选出最近邻远优于次近邻的匹配作为good matches。最后，根据投影映射关系，使用计算出来的单应性矩阵H进行透视变换，再进行拼接。 首先，准备好几个库： import cv2 import matplotlib.pyplot as plt import numpy as np %matplotli
通过降维加速opencv中的knnMatch图像匹配
热门推荐
yhyhbo的博客
01-19 1万+
问题描述：opencv中knnMatch是一种蛮力匹配，基本原理是将待匹配图片的sift等特征与目标图片中的全部sift特征一对n的全量便利，找出相似度最高的前k个。当待匹配的图片增多时，需要的计算量太大，所以考虑是否可以通过降维的方式减少计算过程中的时间花费。 1. PCA降维 从物理的角度来说，所有的数据都可以看作物体（object）在选定特征（坐标轴）上的投影，而这个数值的大小代表
opencv如何获得keypoint的坐标
wangchao6
07-20 1万+
一种方法是通过keypoint类的‘pt’，它存储这个关键点的坐标，是point2f类型，因此可以下面代码获得坐标值：Point2f p = keypoints_object[i].pt;或者float x = keypoints_object[i].pt.x; float y = keypoints_object[i].pt.y;
opencv Ratio Test
04-06
The ratio test in OpenCV is a method for filtering out false matches in feature matching algorithms. In feature matching, keypoints are detected in two images and their descriptors are calculated. These descriptors are then matched to find corresponding keypoints in both images. However, some matches may be incorrect due to noise, occlusion, or other factors. The ratio test helps filter out these incorrect matches. It works by comparing the distance between the best and second-best matches for each keypoint. If the distance ratio is below a certain threshold, the match is considered correct. If the ratio is above the threshold, the match is discarded. The threshold value is typically set to 0.7, meaning that the distance to the second-best match should be at least 1.4 times greater than the distance to the best match. Here's an example code snippet for implementing the ratio test in OpenCV: ``` # detect keypoints and compute descriptors for both images kp1, des1 = detector.compute(img1, None) kp2, des2 = detector.compute(img2, None) # match descriptors using a matcher object matches = matcher.knnMatch(des1, des2, k=2) # apply ratio test to filter out false matches good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) ``` In this code, `detector` is a keypoint detector object and `matcher` is a descriptor matcher object. The `knnMatch` function returns a list of the two best matches for each descriptor in the first image (`des1`) with descriptors in the second image (`des2`). The ratio test is then applied to filter out false matches, and the remaining matches are stored in `good_matches`.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值