opencv-python 提取sift特征并匹配

1. # -*- coding: utf-8 -*-  
2. import cv2  
3. import numpy as np  
4. from find_obj import filter_matches,explore_match  
5. from matplotlib import pyplot as plt  
6.   
7. def getSift():  
8.     ''''' 
9.     得到并查看sift特征 
10.     '''  
11.     img_path1 = '../../data/home.jpg'  
12.     #读取图像  
13.     img = cv2.imread(img_path1)  
14.     #转换为灰度图  
15.     gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
16.     #创建sift的类  
17.     sift = cv2.SIFT()  
18.     #在图像中找到关键点 也可以一步计算#kp, des = sift.detectAndCompute  
19.     kp = sift.detect(gray,None)  
20.     print type(kp),type(kp[0])  
21.     #Keypoint数据类型分析 http://www.cnblogs.com/cj695/p/4041399.html  
22.     print kp[0].pt  
23.     #计算每个点的sift  
24.     des = sift.compute(gray,kp)  
25.     print type(kp),type(des)  
26.     #des[0]为关键点的list，des[1]为特征向量的矩阵  
27.     print type(des[0]), type(des[1])  
28.     print des[0],des[1]  
29.     #可以看出共有885个sift特征，每个特征为128维  
30.     print des[1].shape  
31.     #在灰度图中画出这些点  
32.     img=cv2.drawKeypoints(gray,kp)  
33.     #cv2.imwrite('sift_keypoints.jpg',img)  
34.     plt.imshow(img),plt.show()  
35.   
36. def matchSift():  
37.     ''''' 
38.     匹配sift特征 
39.     '''  
40.     img1 = cv2.imread('../../data/box.png', 0)  # queryImage  
41.     img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage  
42.     sift = cv2.SIFT()  
43.     kp1, des1 = sift.detectAndCompute(img1, None)  
44.     kp2, des2 = sift.detectAndCompute(img2, None)  
45.     # 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)  
46.     bf = cv2.BFMatcher()  
47.     #返回k个最佳匹配  
48.     matches = bf.knnMatch(des1, des2, k=2)  
49.     # cv2.drawMatchesKnn expects list of lists as matches.  
50.     #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  
51.     p1, p2, kp_pairs = filter_matches(kp1, kp2, matches)  
52.     explore_match('find_obj', img1, img2, kp_pairs)  # cv2 shows image  
53.     cv2.waitKey()  
54.     cv2.destroyAllWindows()  
55.   
56. def matchSift3():  
57.     ''''' 
58.     匹配sift特征 
59.     '''  
60.     img1 = cv2.imread('../../data/box.png', 0)  # queryImage  
61.     img2 = cv2.imread('../../data/box_in_scene.png', 0)  # trainImage  
62.     sift = cv2.SIFT()  
63.     kp1, des1 = sift.detectAndCompute(img1, None)  
64.     kp2, des2 = sift.detectAndCompute(img2, None)  
65.     # 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)  
66.     bf = cv2.BFMatcher()  
67.     #返回k个最佳匹配  
68.     matches = bf.knnMatch(des1, des2, k=2)  
69.     # cv2.drawMatchesKnn expects list of lists as matches.  
70.     #opencv3.0有drawMatchesKnn函数  
71.     # Apply ratio test  
72.     # 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  
73.     # 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  
74.     good = []  
75.     for m, n in matches:  
76.         if m.distance < 0.75 * n.distance:  
77.             good.append([m])  
78.     img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2)  
79.     cv2.drawm  
80.     plt.imshow(img3), plt.show()  
81.   
82. matchSift()