python图像配准的原理_python利用sift和surf进行图像配准

SIFT算法得到了图像中的特征点以及相应的特征描述，一般的可以使用K近邻(KNN)算法。K近邻算法求取在空间中距离最近的K个数据点，并将这些数据点归为一类。在进行特征点匹配时，一般使用KNN算法找到最近邻的两个数据点，如果最接近和次接近的比值大于一个既定的值，那么我们保留这个最接近的值，认为它和其匹配的点为good match

def get_good_match(des1,des2):

bf = cv2.BFMatcher()

matches = bf.knnMatch(des1, des2, k=2)

good = []

for m, n in matches:

if m.distance < 0.75 * n.distance:

good.append(m)

return good

3.单应性矩阵Homography Matrix

通过上面的步骤，我们找到了若干两张图中的匹配点，如何将其中一张图通过旋转、变换等方式将其与另一张图对齐呢？这就用到了单应性矩阵了。Homography这个词由Homo和graphy，Homo意为同一，graphy意为图像，也就是同一个东西产生的图像。

单应性矩阵有八个参数，如果要解这八个参数的话，需要八个方程，由于每一个对应的像素点可以产生2个方程(x一个，y一个)，那么总共只需要四个像素点就能解出这个单应性矩阵。

RANSAC算法选择其中最优的四个点

随机抽样一致算法(Random sample consensus:RANSAC)

其中：

第一个参数为需要投影的图像(img2)

第二个参数为单应