cv2.drawMatchesKnn里的参数matchesMas

nadnadd

已于 2024-03-27 08:51:12 修改

阅读量869

点赞数 16

文章标签： opencv python 计算机视觉图像处理

于 2024-03-21 18:27:40 首次发布

本文链接：https://blog.csdn.net/m0_65441602/article/details/136916578

版权

本文讲述了在使用OpenCV进行计算机视觉项目时，理解matchesMask参数以及如何运用ratiotest来筛选匹配对的重要性。作者通过实例解释了knnMatch方法返回的匹配结构，并讨论了最佳匹配与次佳匹配的距离关系及其在实际应用中的意义。

摘要由CSDN通过智能技术生成

最近在写计算机视觉的作业，一开始matchesMask参数我完全没get到是什么意思，搜了很多篇文章之后才差不多弄懂，写个文章记录一下吧，有错的话欢迎指出！前面的读取图片、使用sift提取关键点、创建FLANN对象就不贴代码了，下面只说明比率测试的部分：

首先这里的good_matches是用于后面的单应矩阵的，和cv2.drawMatchesKnn方法无关，重点在matches_mask上面。

我看了一篇文章（链接在文末），其中提到knnMatch()方法返回的是2个最佳匹配，matches和matchesMask都是二维列表。在我的代码里FLANN匹配中，knnMatch(des1,des2,k=2)方法设置的参数k为2，也就是说寻找的最近邻数量为2，那么在返回的最佳匹配的列表matches中，其中每个匹配项包含了两个最佳匹配，也就是一个是最佳匹配，一个是次佳匹配，具体来说：

-matches[i]：代表第i个关键点的匹配结果

-matches[i][0]：代表第i个关键点的最佳匹配

-matches[i][1]：代表第i个关键点的次佳匹配

在这种情况下，每个匹配项是一个包含两个元素的列表，第一个元素m是最佳匹配，第二个元素n是次佳匹配。因此在循环中 for i,(m,n) in enumerate(matches): 遍历每个匹配项，其中m是最佳匹配，n是次佳匹配。然后我问了一下gpt，其给出的回答是：

理论上，最佳匹配的距离（m.distance）应该比次佳匹配的距离（n.distance）要小。这是因为在匹配过程中，最佳匹配是最相似的，所以它们的距离应该更接近于零。而次佳匹配可能是在另一个不太相似的特征点上，距离相对较远。

但是在实际的应用中，特征点的质量可能会受到噪声、遮挡或者其他因素的影响，这可能导致次佳匹配的距离与最佳匹配的距离非常接近，甚至有时次佳匹配的距离可能会更小（这种特征点是受到了影响的，不那么标准的）。因此，采用比率测试来筛选匹配对，可以帮助减少错误匹配的数量，提高匹配的准确性。

所以我理解的是，在代码里，如果某个匹配对的最佳匹配距离小于次佳匹配距离的70%（也就是说最佳匹配和次佳匹配的距离相差比较大，则最佳匹配被认为是更加可靠的，如果距离很相近的话，则有可能这个匹配点受到的影响比较大，得到的匹配结果也不这么可靠），则被认为是“好的匹配”。这种筛选就可以帮助去除一些不太可靠的匹配，提高整体匹配的质量。

而对于代码里的[0,0]和[1,0]，我理解的是通过m.distance< 0.7 * n.distance筛选掉这种受到了影响的特征点，满足该条件的点标注为[1,0]，应该是表示使用最佳匹配、不使用次佳匹配；不满足条件的点标注为[0,0]，表示最佳匹配和次佳匹配都不使用。

以下是代码运行结果：

（1）不采用比率测试的匹配结果（应该是把所有匹配点的最佳和次佳匹配都画出来了）：