Opencv之特徵匹配

import cv2 

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

def

cv_show
(name,img)
: cv2.imshow(name, img)
cv2.waitkey(0)
cv2.destroyallwindows(
)

img1 = cv2.imread(

'box.png',0
)img2 = cv2.imread(
'box_in_scene.png',0
)cv_show(
'img1'
,img1)
cv_show(
'img2'
,img2)

可以得到結果：img1中有603個特徵點，img2中有969個特徵點，因為從img1和img2本身的影象來看，img2中是包含img1的，所以進行特徵匹配的時候只會匹配img1和img2共有的603個特徵點。

ps：當然，這裡也可以分開來做，即先檢測特徵點再計算特徵。即：

kp1 = sift.detect(img1,

none
)kp2 = sift.detect(img2,
none
)kp1, des1 = sift.compute(img1, kp1)
kp2, des2 = sift.compute(img2, kp2)

建立bf匹配器物件

函式介紹：

cv2.bfmatcher(normtype=cv2.norm_l2, crosscheck=true)

傳入引數：

bf = cv2.bfmatcher(normtype=cv2.norm_l2, crosscheck=

true
)

函式介紹：

bf.match(des1, des2)

輸出：dmatch型別的資料結構。

那麼這個這個dmatch資料結構究竟是什麼呢？

它包含三個非常重要的資料分別是queryidx，trainidx，distance。

matches = bf.match(des1, des2)

函式介紹：

cv2.drawmatches(imagea, kpsa, imageb, kpsb, matches[:10], none, flags=2)

傳入引數：

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對最佳匹配是指，每乙個特徵點在另一張上都會有k個最匹配的點存在，例如k=2，它會給每個特徵點畫兩根匹配線。

實現方法與1對1匹配大同小異。

建立bf匹配器物件

注意，此時，crosscheck=false（預設）

bf = cv2.bfmatcher(

)

函式介紹：

bf.knnmatch(des1, des2, k=2)

輸出：knnmatch與match的返回值型別一樣，都是dmatch型別的資料結構，只不過一組返回的k（此處=2）個dmatch型別。

matches = bf.knnmatch(des1, des2, k=

2)

在這裡，每乙個特徵點（設為a）都有最匹配的另外兩個特徵點在另一張圖上，設為b和c。其中ab的距離最短，ac的距離次短。

那麼規定，如果ab間的距離小於ac間距離的0.75倍，則認為ab的匹配度遠遠大於a與其他任何點的匹配度，則將ab兩點連起來。

good =

for m, n in matches:
if m.distance <
0.75
* n.distance:
[m])
img3 = cv2.drawmatchesknn(img1,kp1,img2,kp2,good,
none
,flags=2)
cv_show(
'img3'
,img3)

opencv 特徵提取以及特徵匹配

用到的庫檔案 include include using namespace std opencv 特徵檢測模組 include include include 提取影象中的特徵 關鍵點 與 關鍵點的描述子，分別用到了opencv庫中的cv featuredetector和cv descriptor...

opencv特徵點匹配（暴力匹配優化）

1.knnmatch 方法，而k 1，返回一對匹配子，這個方法只返回最接近的距離的一對匹配子，當有足夠多的匹配子的時候，這種方法通常能夠產生最好的結果和最小的誤差。2.dmatch類 struct cv exports w dmatch 1 cv wrap dmatch int queryidx,i...

opencv 31 SIFT特徵匹配

使用siftfeaturedetector的detect方法檢測特徵存入乙個向量裡 可以使用drawkeypoints在圖中標識出來 使用siftdescriptorextractor的compute方法提取特徵描述符 特徵向量 特徵描述符是乙個矩陣 使用匹配器matcher對描述符進行匹配 匹配結...