opencv-python 提取sift特征并匹配

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from find_obj import filter_matches,explore_match
from matplotlib import pyplot as plt

def getSift():
    '''
    得到并查看sift特征
    '''
    img_path1 = '../../data/home.jpg'
    #读取图像
    img = cv2.imread(img_path1)
    #转换为灰度图
    gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #创建sift的类
    sift = cv2.SIFT()
    #在图像中找到关键点 也可以一步计算#kp, des = sift.detectAndCompute
    kp = sift.detect(gray,None)
    print type(kp),type(kp[0])
    #Keypoint数据类型分析 http://www.cnblogs.com/cj695/p/4041399.html
    print kp[0].pt
    #计算每个点的sift
    des = sift.compute(gray,kp)
    print type(kp),type(des)
    #des[0]为关键点的list,des[1]为特征向量的矩阵
    print type(des[0]), type(des[1])
    print des[0],des[1]
    #可以看出共有885个sift特征,每个特征为128维
    print des[1].shape
    #在灰度图中画出这些点
    img=cv2.drawKeypoints(gray,kp)
    #cv2.imwrite('sift_keypoints.jpg',img)
    plt.imshow(img),plt.show()

def matchSift():
    '''
    匹配sift特征
    '''
    img1 = cv2.imread('../../data/box.png', 0)  # queryImage
    img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage
    sift = cv2.SIFT()
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    # 蛮力匹配算法,有两个参数,距离度量(L2(default),L1),是否交叉匹配(默认false)
    bf = cv2.BFMatcher()
    #返回k个最佳匹配
    matches = bf.knnMatch(des1, des2, k=2)
    # cv2.drawMatchesKnn expects list of lists as matches.
    #opencv2.4.13没有drawMatchesKnn函数,需要将opencv2.4.13\sources\samples\python2下的common.py和find_obj文件放入当前目录,并导入
    p1, p2, kp_pairs = filter_matches(kp1, kp2, matches)
    explore_match('find_obj', img1, img2, kp_pairs)  # cv2 shows image
    cv2.waitKey()
    cv2.destroyAllWindows()

def matchSift3():
    '''
    匹配sift特征
    '''
    img1 = cv2.imread('../../data/box.png', 0)  # queryImage
    img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage
    sift = cv2.SIFT()
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    # 蛮力匹配算法,有两个参数,距离度量(L2(default),L1),是否交叉匹配(默认false)
    bf = cv2.BFMatcher()
    #返回k个最佳匹配
    matches = bf.knnMatch(des1, des2, k=2)
    # cv2.drawMatchesKnn expects list of lists as matches.
    #opencv3.0有drawMatchesKnn函数
    # Apply ratio test
    # 比值测试,首先获取与A 距离最近的点B(最近)和C(次近),只有当B/C
    # 小于阈值时(0.75)才被认为是匹配,因为假设匹配是一一对应的,真正的匹配的理想距离为0
    good = []
    for m, n in matches:
        if m.distance < 0.75 * n.distance:
            good.append([m])
    img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2)
    cv2.drawm
    plt.imshow(img3), plt.show()

matchSift()

  • 9
    点赞
  • 44
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
### 回答1: SIFT是一种计算机视觉算法,用于检测和描述图像的局部特征OpenCV是一个流行的计算机视觉库,它提供了SIFT算法的实现。SIFT特征匹配可以用于图像配准、目标跟踪、图像分类等应用。在Python,可以使用OpenCVsift函数来提取SIFT特征,并使用match函数进行特征匹配。 ### 回答2: SIFT(尺度不变特征变换)是一种在计算机视觉领域常用的特征提取算法,常用于特征匹配、图像拼接、物体识别等领域。 PythonOpenCV库提供了SIFT特征提取匹配的功能,可以通过安装opencv-python库来使用。在进行SIFT特征匹配之前,需要先进行特征提取SIFT特征提取过程如下: 1. 对于输入的图像,通过高斯滤波进行降噪处理。 2. 对每个像素点进行尺度空间的高斯差分计算,得到关键点。 3. 对每个关键点进行尺度空间的方向计算,得到特征方向。 4. 以关键点为心生成尺度不变的特征描述子。 接着,在进行SIFT特征匹配时,可以通过计算两张图像的特征描述子之间的欧氏距离,来判断两张图像的相似性。匹配过程如下: 1. 提取两张图像SIFT特征点。 2. 对于每个特征点,计算其特征描述子。 3. 计算特征点之间的欧氏距离,得到匹配点对。 4. 通过筛选匹配点对,得到最终的匹配结果。 需要注意的是,在进行特征匹配时,有可能会出现误匹配的情况,因此需要采用一些方法进行筛选,例如RANSAC算法。 总之,通过PythonOpenCV库提供的SIFT特征提取匹配功能,可以有效地进行图像处理和特征匹配。 ### 回答3: SIFT(Scale-Invariant Feature Transform)是一种计算机视觉特征提取算法,该算法可以检测图像的关键点,并生成描述这些关键点的SIFT特征向量。SIFT特征向量是不受图像缩放、旋转和平移等操作的影响,因此非常适用于实现图像匹配和对象识别。 Python是一种流行的编程语言,在计算机视觉领域,Python结合OpenCV一起使用,可以实现SIFT特征匹配OpenCV是一个开源的计算机视觉库,同时也是一种基于C/C++的跨平台编程库,具有丰富的计算机视觉功能。 在Python使用OpenCVSIFT算法实现特征匹配的过程大致如下: 1.导入需要的Python库,如numpy和opencv-python等。 2.加载待处理图像并转换成灰度图像。 3.使用SIFT算法提取原图像和目标图像的特征向量。 4.使用Brute-Force匹配算法对两幅图像的特征向量进行匹配。 5.通过比较特征向量的距离判断是否为匹配点,同时根据特定的匹配策略选取最佳匹配点。 6.绘制匹配结果。 需要注意的是,SIFT算法和Brute-Force匹配算法需要先安装OpenCV-python并导入,安装方法如下: pip install opencv-python pip install opencv-contrib-python 以上是PythonOpenCV通过SIFT特征匹配实现的基本步骤,具体实现还需要根据具体的问题进行调整和优化,例如调整特征点的数量、匹配算法的参数和策略等。总的来说,通过PythonOpenCV库的便捷性和丰富性,我们可以在计算机视觉领域更加灵活地进行图像处理和特征匹配

“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 13
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