14.特征匹配

我们在上一篇文章获取了图像的特征，现在我们使用之前的特征进行特征匹配

1  Brute-Force 蛮力匹配

1.1  导入库

1.2  定义展示函数

1.3  读取灰度图像

1.4  获取两张图像的特征 detectAndCompute()

detectAndCompute的第一个参数是要操作的图像，第二个参数是掩膜(mask)，我们这个不使用掩膜，所以写None

1.5  特征匹配 BFMatcher(),match(),drawMatches()

1.5.1  一对一匹配

首先创建蛮力匹配器，之后对两张图像的特征点进行匹配，匹配之后我们对匹配上的特征点以欧几里得距离排序

• crossCheck = True

现在我有两张图像，左边的图像中有两个特征点A,B，右边的图像有一个特征点C

crossCheck为True的意思是当我A到C的距离最近时，C到A的距离也最近，那么我们认为这个特征是匹配的，像此时我下面这张图，我的C的是距离B最近的，那么这个时候我们认为A和C是不匹配的

• 上面的距离为欧几里得距离，如果在平面图像中我们可以理解为距离，如果在多维的图像中它表示最近距离，详细可了解 欧几里得度量_百度百科

然后我们将两张图最匹配的10个点画出来

drawMatches的参数

• None是outImg(输入图像),我们不输出图像，所以参数为None
• flags可以选下面的这些值

我们每个都看一下

• flags = 0

这个是默认值，是给所有的点都画出来

• flags = 1

这个是把上面这些内容在输出图片中也画出来，我们没有输出图片时会报错

• flags = 4

这个是画出更多的关键点

• flags = 2

这个是不画出没有匹配的点，我们上面的代码用的就是flags = 2

1.5.2  k对最佳匹配 knnMatch(),drawMatchesKnn()

• m是我图一中的特征点，n是我图二中的特征点
• knnMatch中的k是一共有几组匹配

发现一个中括号内有两个元素

那么如果是三个元素，我们就应该这样遍历才不会报错，我们正好看一下m,n,j过滤前的样子

• m

• n

• j

从这我们可以发现刚刚的 DMatch是两个点加上一个线段

我们的m,n,j都是若干组最佳匹配，我们后面的判定就是判定这两大组相似度的(越小越像)

我们可以把0.75变小

2  扩展

2.1  随机抽样一直算法(Random sample consensus,RANSAC)

这个算法会减少部分误匹配情况

用最小二乘法会导致有很多点误识别的情况，用RANSAC就可以避免这种情况，第一行的两张图是一次函数，第二行的两张图是二次函数

2.2  单应性矩阵

这个在后面图像拼接中会使用