前面已經(jīng)學(xué)習(xí)特征查找和對(duì)應(yīng)匹配，接著下來(lái)在特征匹配之后，再使用findHomography函數(shù)來(lái)找出對(duì)應(yīng)圖像的投影矩陣。首先使用一個(gè)查詢圖片，然后在另外一張圖片里找到目標(biāo)對(duì)象，其實(shí)就是想在圖片里查找所需要目標(biāo)的一部分區(qū)域。為了實(shí)現(xiàn)這樣的功能，需要使用calib3d庫(kù)里的一個(gè)函數(shù)cv.findHomography()，把從兩張圖片里找到的特征點(diǎn)當(dāng)作參數(shù)，傳送給這個(gè)函數(shù)，然后這個(gè)函數(shù)返回一個(gè)投影變換矩陣，我們就可以使用 cv.perspectiveTransform()函數(shù)來(lái)對(duì)查找的目標(biāo)進(jìn)行投影，這樣就可以在復(fù)雜圖片里標(biāo)記出相應(yīng)的目標(biāo)位置。

我們已經(jīng)看到，在匹配時(shí)可能會(huì)有一些錯(cuò)誤，這可能會(huì)影響結(jié)果。為了解決這個(gè)問(wèn)題，需要使用RANSAC 或 LEAST_MEDIAN算法。所以提供正確估計(jì)的良好匹配稱為內(nèi)聚，其余的稱為外聯(lián)。cv.findHomography()函數(shù)返回一個(gè)值表示內(nèi)聚還是外聯(lián)的點(diǎn)。

在例子里，先使用ORB來(lái)尋找兩個(gè)圖片的特征點(diǎn)，接著根據(jù)設(shè)置條件為10個(gè)匹配特征，如果滿足就會(huì)計(jì)算投影變換矩陣，一旦獲得3x3的矩陣，就可以把尋找的目標(biāo)對(duì)象在圖片里標(biāo)記出來(lái)。最后在復(fù)雜的圖片里用白色線條標(biāo)記出來(lái)。

參數(shù)詳解：

srcPoints 源平面中點(diǎn)的坐標(biāo)矩陣，可以是CV_32FC2類型，也可以是vector<Point2f>類型

dstPoints 目標(biāo)平面中點(diǎn)的坐標(biāo)矩陣，可以是CV_32FC2類型，也可以是vector<Point2f>類型

method 計(jì)算單應(yīng)矩陣所使用的方法。不同的方法對(duì)應(yīng)不同的參數(shù)，具體如下：

0 - 利用所有點(diǎn)的常規(guī)方法

RANSAC - RANSAC-基于RANSAC的魯棒算法

LMEDS - 最小中值魯棒算法

RHO - PROSAC-基于PROSAC的魯棒算法

ransacReprojThreshold

將點(diǎn)對(duì)視為內(nèi)點(diǎn)的最大允許重投影錯(cuò)誤閾值（僅用于RANSAC和RHO方法）。如果

則點(diǎn)被認(rèn)為是個(gè)外點(diǎn)（即錯(cuò)誤匹配點(diǎn)對(duì)）。若srcPoints和dstPoints是以像素為單位的，則該參數(shù)通常設(shè)置在1到10的范圍內(nèi)。

mask

可選輸出掩碼矩陣，通常由魯棒算法（RANSAC或LMEDS）設(shè)置。 請(qǐng)注意，輸入掩碼矩陣是不需要設(shè)置的。

maxIters RANSAC算法的最大迭代次數(shù)，默認(rèn)值為2000。

confidence 可信度值，取值范圍為0到1.

該函數(shù)能夠找到并返回源平面和目標(biāo)平面之間的轉(zhuǎn)換矩陣H，以便于反向投影錯(cuò)誤率達(dá)到最小。

演示使用的例子如下：

#python 3.7.4,opencv4.1
#蔡軍生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt
 
MIN_MATCH_COUNT = 10
 
#讀取文件
img1 = cv2.imread('rmb3.png')
img2 = cv2.imread('rmb4.png')
 
#初始化ORB檢測(cè)器
orb = cv2.ORB_create()
 
#用ORB查找關(guān)鍵點(diǎn)
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
 
# FLANN參數(shù)
FLANN_INDEX_LSH = 6
index_params = dict(algorithm = FLANN_INDEX_LSH,
          table_number = 6, 
          key_size = 12,   
          multi_probe_level = 1)
search_params = dict(checks=50)  #或者使用一個(gè)空的字典
flann = cv2.FlannBasedMatcher(index_params,search_params)
 
matches = flann.knnMatch(des1,des2,k=2)
 
# 比率
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([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
  #找到投影變換矩陣
  M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
  matchesMask = mask.ravel().tolist()
  #進(jìn)行投影變換
  h,w,d = 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)
  #畫變換后的外形
  img2 = cv2.polylines(img2,[np.int32(dst)],True,(255,255,255),3, cv2.LINE_AA)
 
else:
  print( "Not enough matches are found - {}/{}".format(len(good), MIN_MATCH_COUNT) )
  matchesMask = Non
 
draw_params = dict(matchColor = (0,255,0), # draw matches in green color
          singlePointColor = None,
          matchesMask = matchesMask, # draw only inliers
          flags = 2)
 
img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)
 
#顯示圖片
cv2.imshow('img3',img3)
      
cv2.waitKey(0)
cv2.destroyAllWindows()

結(jié)果輸出如下：

總結(jié)

以上所述是小編給大家介紹的在OpenCV里使用特征匹配和單映射變換的代碼詳解,希望對(duì)大家有所幫助，如果大家有任何疑問(wèn)請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！

最新評(píng)論