Opencv图像查找findHomography（python实现）

1.图像查找=特征匹配+单应性矩阵

（1）函数讲解

findHomography(srcPoints, dstPoints, method=None, ransacReprojThreshold=None, mask=None, maxIters=None, confidence=None)

srcPoints：源平面中点的坐标矩阵;
dstPoints：目标平面中点的坐标矩阵;
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：基于RANSAC的鲁棒算法；
LMEDS：最小中值鲁棒算法；
RHO：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）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：置信度，取值范围为0到1；

（2）透视变换

透视变换(Perspective Transformation)是将成像投影到一个新的视平面(Viewing Plane)，也称作投影映射(Projective Mapping)

perspectiveTransform(src, m, dst=None)

Src:输入双通道或三通道浮点数组；每个元素是要变换的二维/三维向量。
M:3x3或4x4浮点转换矩阵。
Dst:与src大小和类型相同的param dst输出数组。

注：perspectiveTransform()输⼊⾄少需要4个点，且点的坐标矩阵为（-1，1，2）即n个⼀⾏两列的坐标矩阵，两列代表横纵坐标，其等价于将坐标齐次化后，与H矩阵的乘法运算

（3）代码实战

import os
import cv2
import numpy as np

#读取图片和缩放图片
img1=cv2.imread('images/img1.jpg')
img1=cv2.resize(src=img1,dsize=(450,450))
gray1=cv2.cvtColor(src=img1,code=cv2.COLOR_BGR2GRAY)

img2=cv2.imread('images/img2.jpg')
img2=cv2.resize(src=img2,dsize=(450,450))
gray2=cv2.cvtColor(src=img2,code=cv2.COLOR_BGR2GRAY)

#创建SIFT
sift=cv2.xfeatures2d.SIFT_create()
#计算特征点和描述点
kp1,des1=sift.detectAndCompute(gray1,None)
kp2,des2=sift.detectAndCompute(gray2,None)

#使用KDTREE算法，树的层级使用5
index_params=dict(algorithm=1,trees=5)
search_params=dict(checks=50)
#创建匹配器
flann=cv2.FlannBasedMatcher(index_params,search_params)
#特征点匹配
match=flann.knnMatch(des1,des2,k=2)
print('mathc: {}'.format(match))
#绘制匹配特征点
good=[]
for i ,(m,n) in enumerate(match):
    if m.distance<0.7*n.distance:
        good.append(m)


#当匹配项大于4时
if len(good)>=4:
    #查找单应性矩阵
    srcPoints=np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)#转换为n行的元素，每一行一个元素，并且这个元素由两个值组成
    dstPoints=np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1,1,2)
    #获取单应性矩阵
    H,_=cv2.findHomography(srcPoints=srcPoints,dstPoints=dstPoints,method=cv2.RANSAC,ransacReprojThreshold=5.0)

    #要搜索的图的四个角点
    h,w=np.shape(img1)[0],np.shape(img1)[1]
    pts=np.float32([[0,0],[0,h-1],[w-1,h-1],[w-1,0]]).reshape(-1,1,2)
    dst=cv2.perspectiveTransform(src=pts,m=H)
    #绘制多边形
    cv2.polylines(img=img2,pts=[np.int32(dst)],isClosed=True,color=(0,255,0))


dest=cv2.drawMatchesKnn(img1=img1,keypoints1=kp1,img2=img2,keypoints2=kp2,matches1to2=[good],outImg=None,matchColor=(0,255,0))
cv2.waitKey(0)
cv2.destroyAllWindows()


if __name__ == '__main__':
    print('Pycharm')