OpenCv—特征匹配

本文介绍了OpenCV中的两种特征匹配算法:BFMatcher的暴力匹配,精度高但速度慢;以及FLANN的快速匹配,速度快但精度较低。通过实例展示了如何使用这两种方法进行图像特征匹配和关键点绘制。
摘要由CSDN通过智能技术生成

OpenCv—特征匹配


  • 特征匹配的两种算法:
    • BF:暴力特征匹配方法,精度高
    • FLANN:最快邻近区特征匹配方法,速度快,精度差

1. BF:暴力特征匹配

  • 暴力特征匹配方法原理:使用第一组中的每个特征的描述子与第二组中的所有特征描述子进行匹配,计算他们的差距,然后将一个最接近的一个匹配返回
  • 步骤
    • 1.创建匹配器,BFMatcher(normType,crossCheck)
      • normType:NORM_L1,NORM_L2,HAMMING1…
      • crossCheck:是否进行交叉匹配,默认为False
    • 2.进行特征匹配,bf.match(des1,des2)
      • match方法,参数为SIFT,SURF,ORB等计算出的描述子
    • 3.绘制匹配点,cv2.drawMatches(img1,kp1,img2,kp2...)
      • 搜索img1kp1
      • 匹配img2kp2
      • match()方法返回匹配结果
import cv2

img1 = cv2.imread('../../my_work/01.png')
img2 = cv2.imread('../../my_work/01_t.png')
gray1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

# 创建sift对象
sift = cv2.SIFT_create()

# 进行检测
kp1,des1 = sift.detectAndCompute(gray1,None)
kp2,des2 = sift.detectAndCompute(gray2,None)
# kp是一个列表,里面存放的是封装的KeyPoint对象

# 特征匹配
bf = cv2.BFMatcher(cv2.NORM_L1)
match = bf.match(des1,des2)

# 绘制关键点
dst = cv2.drawMatches(img1,kp1,img2,kp2,match,None)

cv2.imshow('dst',dst)
cv2.waitKey()
cv2.destroyAllWindows()

2. FLANN特征匹配

  • 原理:取图像 A 的一个特征,搜索它到图像 B 距离最近的两个特征,距离分别记为d1和d2,只有当d1/d2小于某个阈值时,才认为是 “good match”。

  • 步骤

  • 1.创建匹配器,FlannBasedMatcher(index_params ,search_params )

    • index_params字典:匹配算法KDTREE、LSH
    • search_params字典:指定KDTREE算法中遍历树的次数
      • KDTREE
      • index_params = dict(algorithm = FLANN_INDEX_KDTREE,trees = 5)
      • search_params = dict(checks=50)
  • 2.进行特征匹配,flann.match/KnnMatch(des1,des2,k)

    • KnnMatch方法:
    • des:参数为SIFT,SURF,ORB等计算的描述子,
    • k:表示取欧氏距离最近的前k个关键点,返回结果是DMatch对象
      • DMatch内容:
      • distance:描述子之间的距离,越低越好;
      • queryIdx:第一个图像的描述子索引值;
      • trainIdx:第二个图像的描述子索引值;
      • imgIdx:第二幅图的索引值。
  • 3.绘制匹配点,cv2.drawMatches(...)/cv2.drawMatchesKnn(...)

    • 搜索img1kp1
    • 匹配img2kp2
    • match()方法返回匹配结果
import cv2

img1 = cv2.imread('../../my_work/01.png')
img2 = cv2.imread('../../my_work/01_t.png')
gray1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

# 创建sift对象
sift = cv2.SIFT_create()

# 进行检测、kp是一个列表,里面存放的是封装的KeyPoint对象
kp1,des1 = sift.detectAndCompute(gray1,None)
kp2,des2 = sift.detectAndCompute(gray2,None)

# 特征匹配
index_params = dict(algorithm = 1,trees =5)
search_params = dict(check = 50)
flann = cv2.FlannBasedMatcher(index_params,search_params)
matchs = flann.knnMatch(des1,des2,k=2)

good = []
for i ,(m,n) in enumerate(matchs):
    if m.distance < 0.7*n.distance:
        good.append(m)

# 绘制关键点
dst = cv2.drawMatchesKnn(img1,kp1,img2,kp2,[good],None)

cv2.imshow('dst',dst)
cv2.waitKey()
cv2.destroyAllWindows()
  • 9
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
OpenCV中,特征匹配是一个常用的计算机视觉任务,它可以用于在图像中找到相似的特征点或对象。OpenCV提供了几种特征匹配算法,其中最常见的是基于特征描述子的匹配算法,例如SIFT(Scale-Invariant Feature Transform)和SURF(Speeded-Up Robust Features)。 要进行特征匹配,首先需要检测图像中的特征点。这可以使用SIFT、SURF或其他检测器来完成。然后,提取这些特征点的描述子,描述子是一种能够唯一描述特征点的向量。 接下来,我们可以使用一些匹配算法,如暴力匹配(Brute-Force Matching)或基于kd树的匹配来比较两个图像中的特征点,并找到最佳匹配。 以下是一个简单的代码示例,展示了如何使用OpenCV进行SIFT特征匹配: ```python import cv2 # 加载图像 img1 = cv2.imread('image1.jpg', 0) img2 = cv2.imread('image2.jpg', 0) # 创建SIFT对象 sift = cv2.xfeatures2d.SIFT_create() # 检测和计算描述子 kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # 创建暴力匹配器对象 bf = cv2.BFMatcher() # 使用KNN匹配算法进行特征匹配 matches = bf.knnMatch(des1, des2, k=2) # 应用比值测试,以筛选出最佳匹配 good_matches = [] for m, n in matches: if m.distance < 0.75 * n.distance: good_matches.append([m]) # 绘制匹配结果 img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good_matches, None, flags=2) # 显示结果 cv2.imshow('Matches', img3) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这只是一个简单的示例,你可以根据自己的需求进一步调整参数和优化算法。希望对你有所帮助!
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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