官网https://docs.opencv.org/3.4.1/dc/dc3/tutorial_py_matcher.html
Brute-Force(暴力)匹配基础
暴力匹配是很简单的。先取第一个集合(图像)中一个特征的描述符,然后和第二个集合(图像)中所有特征进行距离计算,最后返回距离最近的那个特征点(最匹配)。
BF匹配,首先我们使用cv.BFMatcher()函数创建BFMatcher对象,这个函数有2个可选参数。第一个是normType,指定距离测量方法,默认是cv.NORM_L2。这个很适合SIFT和SURF(cv.NORM_L1也可以)。基于二进制字符串的描述符,例如:ORB, BRIEF, BRISK等,可以使用cv.NORM_HAMMING,它使用汉明距离测量。如果ORB,而且WTA_K == 3或者4,使用cv.NORM_HAMMING2(在ORB一节中介绍过)。
第二个参数是布尔变量crossCheck,默认是false。改值如果是true,只会返回满足以下条件的值,在集合A(图像)中的第i个描述符到集合B(图像)中第j个描述符的距离最近,同时从集合B中的第j个描述符到A中第i个描述符也是最近(A 中没有其他点到j 的距离更近),那就会返回(i,j)。也就是说,2个集合中的2个特征点要互相匹配才行。这样的话就可以提供一致的结果,可以很好的替代D.Lowe在SIFT论文中提出的比率测试方法。
BFMatcher对象一旦创建好,有2个方法BFMatcher.match()和BFMatcher.knnMatch()。第一个方法返回最佳匹配。第二个方法返回K个最佳匹配,k由用户定义,如果除了匹配之外还要做其他工作,这个方法很有用。
就像使用cv.drawKeypoints() 函数绘制关键点一样,我们可以使用cv.drawMatches() 函数绘制匹配点。它先把两幅图像并排排列,然后从第一幅图像到第二幅图像绘制直线(从源图像到目标图像的最佳匹配点之间)。cv.drawMatchesKnn函数可以绘制k个最佳匹配(从第一幅图像每个关键点到第二幅图像的k个最佳匹配关键点)。如果k=2,每个关键点绘制2条最佳匹配直线。如果我们想选择性绘制,那就需要送入掩膜。
让我们分别看一个ORB和SURF的例子吧。(使用不同距离计算方法)。