【Python+OpenCV】特征点匹配之cv2.FlannBasedMatcher

广告位：

图像拼接论文精读专栏 —— 图像拼接领域论文全覆盖（包含数据集），省时省力读论文，带你理解晦涩难懂的论文算法，学习零散的知识和数学原理，并学会写图像拼接领域的论文（介绍、相关工作、算法、实验、结论、并附有参考文献，不用一篇一篇文章再找）

图像拼接论文源码精读专栏 —— 图像拼接有源码的论文全覆盖（有的自己复现），帮助你通过源码进一步理解论文算法，助你做实验，跑出拼接结果，得到评价指标RMSE、SSIM、PSNR等，并寻找潜在创新点和改进提升思路。

超分辨率重建专栏 —— 从SRCNN开始，带你读论文，写代码，复现结果，找创新点，完成论文。手把手教，保姆级攻略。帮助你顺利毕业，熟练掌握超分技术。

有需要的同学可以点上面链接看看。

---

---

Flann简介

Flann(Fast_Library_for_Approximate_Nearest_Neighbors):快速最近邻搜索库，应该是目前OpenCV中封装的用于特征匹配的最好的匹配器了。

函数原型

import cv2

flann = cv2.FlannBasedMatcher(index_params, search_params)

参数及返回值说明：

• index_params:字典类型，字典中的值是所选算法参数。如：选择随机kd树，平行搜索

FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)

可选算法如下：

FLANN_INDEX_LINEAR = 0
FLANN_INDEX_KDTREE = 1
FLANN_INDEX_KMEANS = 2
FLANN_INDEX_COMPOSITE = 3
FLANN_INDEX_KDTREE_SINGLE = 4
FLANN_INDEX_HIERARCHICAL = 5
FLANN_INDEX_LSH = 6
FLANN_INDEX_SAVED = 254
FLANN_INDEX_AUTOTUNED = 255

由算法参数都是大写可知，传入的是常数，上面就是不同算法对应的常数。

算法参数	含义解释
FLANN_INDEX_LINEAR = 0	线性暴力(brute-force)搜索
FLANN_INDEX_KDTREE = 1	随机kd树，平行搜索。默认trees=4
FLANN_INDEX_KMEANS = 2	层次k均值树。默认branching=32，iterations=11，centers_init = CENTERS_RANDOM, cb_index =0.2
FLANN_INDEX_COMPOSITE = 3	随机kd树和层次k均值树来构建索引。默认trees =4，branching =32，iterations =11，centers_init = CENTERS_RANDOM,cb_index =0.2
FLANN_INDEX_LSH = 6	multi-probe LSH方法

注：有的文章里算法名和常数值对应是错误的，虽然也能运行但是是错误的。

• 字典类型，默认dict(checks=32, eps=0, sorted=True)
  其中，checks为int型，是遍历的次数，一般只改变这个参数。

• 返回值：返回一个匹配器对象，进而调用match方法完成特征点匹配。<FlannBasedMatcher 000002A2F133C510>

代码举例

import numpy as np
import cv2
import matplotlib.pyplot as plt
 
img1 = cv2.imread(r'D:/apap/temple/2.jpg')
img2 = cv2.imread(r'D:/apap/temple/3.jpg')

#可以添加nfeatures参数限定点的个数 
sift = cv2.xfeatures2d.SIFT_create()
 
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
 
FLANN_INDEX_KDTREE = 1 # kd树
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)   # or pass empty dictionary
 
flann = cv2.FlannBasedMatcher(index_params, search_params)
 
matches = flann.knnMatch(des1, des2, k=2)
 
# Need to draw only good matches, so create a mask
matchesMask = [[0, 0] for i in range(len(matches))]
 
# ratio test as per Lowe's paper
for i, (m, n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i] = [1, 0]
        
draw_params = dict(matchColor=(0, 255, 0),
                   singlePointColor=(255, 0, 0),
                   matchesMask=matchesMask,
                   flags=0)
 
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **draw_params)

plt.figure(figsize=(20,20)); 
plt.imshow(img3, cmap='gray'), plt.title('Matched Result'), plt.axis('off')
plt.show()

实验结果