特征匹配python-opencv代码

目录

特征匹配算法介绍：

Brute-Force蛮力匹配

1对1的匹配

k对最佳匹配

特征匹配理论介绍：

特征匹配python程序：

---

特征点提取介绍：

harris特征：

#### cv2.cornerHarris()

- img： 数据类型为 float32 的入图像

- blockSize： 角点检测中指定区域的大小

- ksize： Sobel求导中使用的窗口大小

- k： 取值参数为 [0,04,0.06]

import cv2

import numpy as np

img = cv2.imread('test_1.jpg')

print ('img.shape:',img.shape)

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# gray = np.float32(gray)

dst = cv2.cornerHarris(gray, 2, 3, 0.04)

print ('dst.shape:',dst.shape)

sift特征：

import cv2

import numpy as np

img = cv2.imread('test_1.jpg')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

sift = cv2.xfeatures2d.SIFT_create()

kp = sift.detect(gray, None)

img = cv2.drawKeypoints(gray, kp, img)

cv2.imshow('drawKeypoints', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

kp, des = sift.compute(gray, kp)

特征匹配算法介绍：

Brute-Force蛮力匹配

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)

1对1的匹配

bf.match(des1, des2)

k对最佳匹配

bf = cv2.BFMatcher()

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

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

特征匹配理论介绍：

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

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

特征匹配python程序：

### 特征匹配
####  Brute-Force蛮力匹配
import cv2 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
img1 = cv2.imread('box.png', 0)
img2 = cv2.imread('box_in_scene.png', 0)
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()
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)
#### 1对1的匹配
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
cv_show('img3',img3)
#### k对最佳匹配
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])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
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（Random sample consensus，RANSAC）
![title](ransac_1.png)
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
![title](ransac_2.png)
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
![title](ransac_3.png)
#### 单应性矩阵
![title](ransac_4.png)