opencv-python 模板匹配并把匹配结果绘制到原图上

opencv在进行模板匹配时需要算子进行特征提取，算子可以是SIFT，SURF，ORB，Harris，FAST等。

将结果绘制到原图分为一下步骤：

1.特征提取，建立特征点，并计算特征描述子。

def find_keypoints(image):
    sift = cv2.SIFT_create():  # 初始化sift

    (keypoints, features) = sift.detectAndCompute(image, None)   # 计算图片的特征点，以及描述子
    # type(kps) = <class 'tuple'>
    # type(kps[0]) = <class 'cv2.KeyPoint'>

    keypoints= np.float32([keypoint.pt for keypoint in keypoints]) 将特征点转化为数组

    return (keypoints, feature)

2.使用暴力匹配器匹配检测出来的关键点，并用KNN和warpPerspective求出转换角度。

def warpper_affine(image_1, image_2):
    keypoints_1, features_1 = find_keypoints(image1)  
    keypoints_2, features_2 = find_keypoints(image2)  


    bf = cv2.BFMatcher()


    matches = bf.knnMatch(features_1 , features_2 , 2)

    # match匹配的返回结果是DMatch类型。                        
    # DMatch数据结构包含三个非常重要的数据分别是queryIdx，trainIdx，dist
    # queryIdx：某一特征点在本帧图像的索引；                       
    # trainIdx：trainIdx是该特征点在另一张图像中相匹配的特征点的索引；      
    # distance：代表这一对匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近。


    is_matchs = []                                          

    for matche in matches:                                  
        # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对                
        if len(matche) == 2 and matche[0].distance < matche[1].distanc * 0.75:
            # 存储两个点在featuresA, featuresB中的索引值          
            is_matchs.append((matche[0].trainIdx, matche[0].queryIdx))

    if len(is_matchs) > 4:                                                               
        # 获取匹配对的点坐标                                                                 
        ptsA = np.float32([keypoints_1[i] for (_, i) in is_matchs])                             
        ptsB = np.float32([keypoints_2[i] for (i, _) in is_matchs])                             
        # 计算视角变换矩阵                                                                  
        M, status = cv2.findHomography(ptsA, ptsB, cv2.RANSAC,4.0)  #计算的是B到A的变换矩阵

    return M

3.根据变换矩阵将模板，绘制到目标图上；

def plot_edge(image_1, M, image_2):
    """

    Args:
        image_1: 输入的模板图片
        H: 变换矩阵
        image_2: 要绘制的作为底片的图片

    Returns:

    """
    # 计算变换后的图片
    image_1 = cv2.warpPerspective(image_1, M, (image_2.shape[0], image_2.shape[1]))
    # 绘制灰度图
    gray = cv2.cvtColor(image_1, cv.COLOR_BGR2GRAY)
    # canny边缘检测
    edge = cv2.Canny(gray, 100, 250, 3)
    # 提取边缘位置
    (thresh, blackEdges) = cv2.threshold(edge, 0, 255, cv2.THRESH_BINARY_INV)
    #  将边缘位置绘制到目标图片上
    image_2[blackEdges == 0] = (0, 0, 255)

    return image_2

4.完整代码下：

import cv2 as cv
import cv2
import numpy as np


def plot_edge(image_1, H, image_2):
    """

    Args:
        image_1: 输入的模板图片
        H: 变换矩阵
        image_2: 相机采集的图片

    Returns:

    """
    image_1 = cv.warpPerspective(image_1, H, (image_2.shape[0], image_2.shape[1]))
    gray = cv.cvtColor(image_1, cv.COLOR_BGR2GRAY)
    edge = cv.Canny(gray, 100, 250, 3)
    (thresh, blackEdges) = cv.threshold(edge, 0, 255, cv.THRESH_BINARY_INV)
    image_2[blackEdges == 0] = (0, 0, 255)

    return image_2



def warpper_affine(image_1, image_2):
    keypoints_1, features_1 = find_keypoints(image_1)
    keypoints_2, features_2 = find_keypoints(image_2)


    bf = cv2.BFMatcher()


    matches = bf.knnMatch(features_1 , features_2 , 2)

    # match匹配的返回结果是DMatch类型。
    # DMatch数据结构包含三个非常重要的数据分别是queryIdx，trainIdx，dist
    # queryIdx：某一特征点在本帧图像的索引；
    # trainIdx：trainIdx是该特征点在另一张图像中相匹配的特征点的索引；
    # distance：代表这一对匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近。


    is_matchs = []

    for matche in matches:
        # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
        if len(matche) == 2 and matche[0].distance < matche[1].distance * 0.75:
            # 存储两个点在featuresA, featuresB中的索引值
            is_matchs.append((matche[0].trainIdx, matche[0].queryIdx))

    if len(is_matchs) > 4:
        # 获取匹配对的点坐标
        ptsA = np.float32([keypoints_1[i] for (_, i) in is_matchs])
        ptsB = np.float32([keypoints_2[i] for (i, _) in is_matchs])
        # 计算视角变换矩阵
        M, status = cv.findHomography(ptsA, ptsB, cv.RANSAC,4.0)  #计算的是B到A的变换矩阵

    return M



def find_keypoints(image):
    sift = cv.SIFT_create()   # 初始化sift

    (keypoints, features) = sift.detectAndCompute(image, None)   # 计算图片的特征点，以及描述子
    # type(kps) = <class 'tuple'>
    # type(kps[0]) = <class 'cv2.KeyPoint'>

    keypoints= np.float32([keypoint.pt for keypoint in keypoints]) #将特征点转化为数组

    return (keypoints, features)


if __name__ == '__main__':
    image = cv2.imread("E:/test_image/detect_image.jpeg")
    image_1 = cv2.imread("E:/test_image/rotate_image.jpeg")


    M = warpper_affine(image, image_1)

    image_2 = plot_edge(image, M , image_1)


    cv.imshow("image", image)
    cv.imshow("image_1", image_1)

    cv.imshow("plot_edge", image_2)

    cv2.waitKey(0)

测试图片：

 

 测试结果：