OpenCV图像特征匹配

Brute-Force暴力匹配

• 我们准备两张图像，我们想知道图像中有哪些关键点是比较类似的。需要对两张图像的特征点进行匹配。暴力匹配就是对两张图像的特征向量进行比对，最接近的也就是最相似的。我们可以通过欧式距离来实现向量相似的比对，默认使用归一化的欧氏距离。
• 这里依旧使用之前所讲的sift算法，代码如下：

import cv2 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
#读取图像
img1 = cv2.imread('box.png', 0)
img2 = cv2.imread('box_in_scene.png', 0)
#使用sift算法，计算特征向量与特征点
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# crossCheck表示两个特征点要互相匹，例如A中的第i个特征点与B中的第j个特征点最近的，并且B中的第j个特征点到A中的第i个特征点也是 
#NORM_L2: 归一化数组的(欧几里德距离)，如果其他特征计算方法需要考虑不同的匹配计算方式
bf = cv2.BFMatcher(crossCheck=True)

• 一对一匹配

matches = bf.match(des1, des2)
#对点的距离的排序
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
#图片展示
cv_show('img3',img3)

• k对最佳匹配（1对多）

bf = cv2.BFMatcher()
#添加knn算法
matches = bf.knnMatch(des1, des2, k=2)
good = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good.append([m])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
#图片展示
cv_show('img3',img3)

• 如果需要更快速完成操作，可以尝试使用cv2.FlannBasedMatcher。

随机抽样一致算法

• 随机抽样一致算法（Random sample consensus），也叫作RANSAC算法。在上节中使用KNN展示结果时会出现一些我们不需要的边界点。我们需要把这些局外点去掉。

• 通常来说使用的KNN最小二乘法，会受到一些局外点的干扰，导致最终结果没有那么好，这是我们会使用RANSAC算法，不会受到局外点的干扰，归一化之后的结果要比最小二乘法效果好。如下图所示：
  

• 选择初始样本点进行拟合，给定一个容忍范围，不断进行迭代
  

• 每一次拟合后，容差范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合结果。
  

• 单应性矩阵
  OpenCV中过滤掉误匹配对采用RANSAC算法寻找一个最佳单应性矩阵H。矩阵为3x3即可。RANSAC目的是找到最优的参数矩阵使得满足该矩阵的数据点个数最多，通常最后一个参数设置为h33=1来进行归一化操作，其余会有8个未知参数，我们需要构建8个线性方程来进行求解。对应到点位置信息上，1组点对可以列出2个方程，则至少需要4组匹配点对。