特征匹配

Brute-Force 蛮力匹配：

蛮力匹配器的原理是：首先在第一幅图像中选取一个关键点然后依次与第二幅图像的每个关键点进行（描述符）距离测试，最后返回距离最近的关键点。

对于 BF 匹配器，我们首先要使用 cv2.BFMatcher() 创建一个 BFMatcher 对象。它有两可选参数。第一个是 normType。它是用来指定要使用的距离测试类型。

默认值为cv2.Norm_L2。这很适合 SIFT 和 SURF 等 （c2.NORM_L1 也可以）。

对于使用二进制述符的 ORB，BRIEF，BRISK算法等，要使用 cv2.NORM_HAMMING，这样就会返回两个测试对象之间的汉明距离。

如果 ORB 算法的参数设置为 V T A_K==3 或 4，normType就应该设置成cv2.NORM_HAMMING2。

第二个参数是布尔变量 crossCheck，默认值为 False。如果设置为True，匹配条件就会更加严格，只有到 A 中的第 i 个特征点与 B 中的第 j 个特征点距离最近，并且 B 中的第 j 个特征点到 A 中的第 i 个特征点也是最近（A 中没有其他点到 j 的距离更近）时才会返回最佳匹配（i，j）。也就是这两个特征点要互相匹配才行。这样就能提供统一的结果。

就像使用 cv2.drawKeypoints 绘制关键点一样，我们可以使用cv2.drawMatches(来绘制匹配的点。它会将这两幅图像先水平排列，然后在最佳匹配的点之间绘制直线（从原图像到目标图像）。如果前面使用的是 BFMatcher.knnMatch()，现在我们可以使用函数cv2.drawMatchsKnn为每个关键点和它的 k 个最佳匹配点绘制匹配线。如果 k 等于 2，就会为每个关键点绘制两条最佳匹配直线。如果我们要选择性绘制话就要给函数传入一个掩模。

下面举一个用SIFT算法查找关键点来进行一对一匹配的例子：

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

img1 = cv2.imread("C:/Users/www12/Desktop/Photo/box.png")
img2 = cv2.imread("C:/Users/www12/Desktop/Photo/box_in_scene.png")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

cv_show('img1', img1)
cv_show('img2', img2)

sift = cv2.xfeatures2d.SIFT_create()

# 边找关键点边计算关键点的描述符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# crossCheck表示两个特征点要相互匹配 
# NORM_L2：归一化数组的欧几里得距离，NORM_L2是默认的
bf = cv2.BFMatcher(crossCheck=True)

# 传入关键点的向量特征
matches = bf.match(des1, des2)

# 将匹配点按照欧氏距离由短到长排序
matches = sorted(matches, key=lambda x: x.distance)

# 画出最匹配的前十的配对点
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=2)

# 画出图形
cv_show("img3", img3)

特征匹配：

matches = bf.match(des1, des2)

匹配器的对象是什么？匹配器返回的是一个DMatch对象列表，这个DMatch对象具有下列属性：

• DMatch.distance - 描述符之间的距离。越小越好。
• DMatch.trainIdx - 目标图像中描述符的索引。
• DMatch.queryIdx - 查询图像中描述符的索引。
• DMatch.imgIdx - 目标图像的索引。

刚才使用SIFT描述符进行了一对一的关键点匹配，现在来看看使用SIFT描述符进行蛮力匹配和比值测试。

现在我们使用 BFMatcher.knnMatch() 来获得 k 对最佳匹配。在本例中我们设置 k = 2，这样我们就可以使用比值测试了。

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

img1 = cv2.imread("C:/Users/www12/Desktop/Photo/box.png")
img2 = cv2.imread("C:/Users/www12/Desktop/Photo/box_in_scene.png")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

cv_show('img1', img1)
cv_show('img2', img2)

sift = cv2.xfeatures2d.SIFT_create()

# 边找关键点边计算关键点的描述符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

bf = cv2.BFMatcher()

# 2对最佳匹配
matches = bf.knnMatch(des1, des2, k=2)

# 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
good = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good.append([m])

# 画出最匹配的前十的配对点
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2)

# 画出图形
cv_show("img3", img3)