(十) 特征匹配

(1) Brute-Force（蛮力匹配器）

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。

cv2.BFMatcher() ：normType参数。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）。对于使用二进制描述符的 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 TA_K==3 或 4，normType就应该设置成 cv2.NORM_HAMMING2。
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。
BFMatcher.match() ：返回最佳匹配，一个DMatch对象列表。列表属性：

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。

BFMatcher.knnMatch()：每个关键点返回 k 个最佳匹配（降序排列之后取前 k 个），其中 k 是由用户设定的。
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.drawMatchKnn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。

蛮力匹配器与orb：
img1=cv2.imread('images/ktxleft2.jpg')  #queryImage
img2=cv2.imread('images/ktxright2.jpg')  #trainImage
orb=cv2.ORB_create()
kp1,des1=orb.detectAndCompute(img1,None)  
kp2,des2=orb.detectAndCompute(img2,None)
bf=cv2.BFMatcher(cv2.NORM_HAMMING,True)
matches=bf.match(des1,des2)
matches=sorted(matches,key= lambda x:x.distance)
img3=cv2.drawMatches(img1,kp1,img2,kp2,matches[:30],None,flags=2)
蛮力匹配器与sift
img1=cv2.imread('images/ktxleft2.jpg')  #queryImage
img2=cv2.imread('images/ktxright2.jpg')  #trainImage
sift= cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)
good = []
for m,n in matches:
    if m.distance < 0.35*n.distance:
        good.append([m])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)

(2) FLANN 匹配器（快速最近邻搜索包）

一个对大数据集和高维特征进行最近邻搜索的算法的集合.

使用 FLANN 匹配，我们需要传入两个字典作为参数。这两个用来确定要使用的算法和其他相关参数等。第一个是 IndexParams。各种不同算法的信息可以在 FLANN 文档中找到。这里我们总结一下，对于 SIFT 和 SURF 等，我们可以传入的参数是：

index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)

但使用 ORB 时，我们要传入的参数如下：

index_params= dict(algorithm = FLANN_INDEX_LSH,table_number = 6,key_size = 12,multi_probe_level = 1) 

第二个字典是 SearchParams。用它来指定递归遍历的次数。值越高结果越准确，但是消耗的时间也越多。如果你想修改这个值，传入参数：searchparams = dict(checks = 100)。

img1=cv2.imread('images/ktxleft2.jpg')  #queryImage
img2=cv2.imread('images/ktxright2.jpg')  #trainImage
sift=cv2.xfeatures2d.SIFT_create()
kp1,des1=sift.detectAndCompute(img1,None)
kp2,des2=sift.detectAndCompute(img2,None)
index_params=dict(algorithm = 0,trees=5)  # 处理索引
search_params=dict(checks=50)  # 创建对象,用来指定索引树的遍历次数
flann=cv2.FlannBasedMatcher(index_params,search_params)
matches=flann.knnMatch(des1,des2,k=2)
matchesMask = [[0,0] for i in range(len(matches))]
for i,(m,n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i]=[1,0]
draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,0,0),matchesMask = matchesMask,flags = 0)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)

(3) 使用特征匹配和单应性查找对象

我们使用一个查询图像，在其中找到一些特征点（关键点），我们又在另一副图像中也找到一些特征点，最后对这两幅图像之间的特征点进行匹配。为了达到这个目的我们可以使用 calib3d 模块中的 cv2.findHomography()函数。如果将这两幅图像中的特征点集传给这个函数，他就会找到这个对象的透视图变换。然后我们就可以使用函数 cv2.perspectiveTransform() 找到这个对象了。至少要 4 个正确的点才能找到这种变换。
我们已经知道在匹配过程可能会有一些错误，而这些错误会影响最终结果。为了解决这个问题，算法使用 RANSAC 和 LEAST_MEDIAN(可以通过参数来设定)。所以好的匹配提供的正确的估计被称为 inliers，剩下的被称为outliers。cv2.findHomography() 返回一个掩模，这个掩模确定了 inlier 和outlier 点。

img1=cv2.imread('images/ktxleft2.jpg')  #queryImage
img2=cv2.imread('images/ktxright2.jpg')  #trainImage
sift=cv2.xfeatures2d.SIFT_create()
kp1,des1=sift.detectAndCompute(img1,None)
kp2,des2=sift.detectAndCompute(img2,None)
index_params=dict(algorithm = 0,trees=5)  # 处理索引
search_params=dict(checks=50)  # 创建对象,用来指定索引树的遍历次数
flann=cv2.FlannBasedMatcher(index_params,search_params)
matches=flann.knnMatch(des1,des2,k=2)
good=[]
for m,n in matches:
    if m.distance<0.7*n.distance:
        good.append(m)
if len(good)>MIN_MATCH_COUNT:
    src_pts=np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1,1,2)
    dst_pts=np.float32([kp1[m.trainIdx].pt for m in good]).reshape(-1,1,2)
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
    matchesMask = mask.ravel().tolist()
    h,w,c = img1.shape
    pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts,M)
    img2 = cv2.polylines(img2,[np.int32(dst)],True,255,3, cv2.LINE_AA)
else:
    print ("Not enough matches are found - %d/%d" % (len(good),MIN_MATCH_COUNT))
    matchesMask = None
draw_params = dict(matchColor = (0,255,0),singlePointColor = None,matchesMask = matchesMask,flags = 2)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)

标签：None,匹配,特征,cv2,matches,params,img2
来源： https://blog.csdn.net/qq_23123181/article/details/122795680