使用OpenCV-python实现以图搜图

使用OpenCV-python实现以图搜图，首先加载必要的库

import numpy as np
import glob
import csv
import cv2

使用BRISK方法描述图片的特征

建立封面描述，计算特征点和特征点周围的信息

class CoverDescriptor:
    def describe(self, image):
        # 使用BRISK方法对图片进行特征提取，同类型的还有SIFT，SURF等等
        descriptor = cv2.BRISK_create()
        # 第一步是detect找到特征点，特征点信息包括关键点的位置，大小，旋转角等等
        # 第二步是计算特征点周围的特征描述子，None表示没有遮罩
        (kps, descs) = descriptor.detectAndCompute(image, None)
        # 这里的keypoint只需要坐标位置就可以了，丢弃其他性质
        kps = np.float32([kp.pt for kp in kps])
        # 返回ROI点和对应周围的环境描述子
        return (kps, descs)

使用KNN和RANSAC方法对特征进行匹配

建立匹配描述

class CoverMatcher:
    # 2个必须输入分别为：待查找照片的描述对象，所有封面所在的文件夹位置
    # ratio是计算单应矩阵最邻近举例的比例
    # BRISK算法产生的是二值特征向量binary feature vectors，不能用欧拉距离衡量，需要使用Hamming方法
    # 当然对应的SIFT产生的是实值特征向量real-valued feature vectors，可以用欧拉距离度量
    def __init__(self, descriptor, coverPaths, ratio = 0.7, minMatches = 40,
        useHamming = True):
        self.descriptor = descriptor
        self.coverPaths = coverPaths
        self.ratio = ratio
        self.minMatches = minMatches
        self.distanceMethod = "BruteForce"
        if useHamming:
            self.distanceMethod += "-Hamming"

    def search(self, queryKps, queryDescs):
        results = {
   }
        for coverPath in self.coverPaths:
            cover = cv2.imread(coverPath)
            gray = cv2.cvtColor(cover, cv2.COLOR_BGR2GRAY)
            (kps, descs) = self.descriptor.describe(gray)
            # query是待查图片的特征信息，后面的是当前数据库里每一张图片的信息
            score = self.match(queryKps, queryDescs, kps, descs)
            # 把分数存入字典，字典的键固定为50个，值为对应的匹配分
            results[coverPath] = score
        if len(results) > 0:
            results = sorted([(v, k) for (k, v) in results.items() if v > 0],
                reverse = True)
        return results
	
    # 输入为两张图的keypoints和feature vectors
    def match(self, kpsA, featuresA, kpsB, featuresB):
        # 新建一个描述匹配的对象，距离的度量方法是BruteForce-Hamming
        matcher = cv2.DescriptorMatcher_create(self.distanceMethod)
        # 对两幅图片的特征描述做knn近邻匹配
        # 2表示对每个特征向量寻找和他最近的2个邻居
        # 返回的并不是实际映射的关键点mapping keypoints
        rawMatches