python?OpenCV實(shí)現(xiàn)圖像特征匹配示例詳解

更新時(shí)間：2023年04月25日 10:13:33 作者：uncle_ll

這篇文章主要為大家介紹了python?OpenCV實(shí)現(xiàn)圖像特征匹配示例詳解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

目標(biāo)

在本章中，將學(xué)習(xí)：

如何將一個(gè)圖像中的特征與其他圖像進(jìn)行匹配
在OpenCV中使用Brute-Force匹配器和FLANN匹配器

Brute-Force匹配器的基礎(chǔ)

暴力匹配器很簡(jiǎn)單。它使用第一組中一個(gè)特征的描述符，并使用一些距離計(jì)算將其與第二組中的所有其他特征匹配。并返回最接近的一個(gè)。對(duì)于BF匹配器，首先必須使cv.BFMatcher() 創(chuàng)建BFMatcher對(duì)象。它需要兩個(gè)可選參數(shù):

第一個(gè)參數(shù)是normType，它指定要使用的距離測(cè)量。默認(rèn)情況下為 cv2.NORM_L2 。對(duì)于SIFT, SURF等（也有 cv2.NORM_L1）很有用。對(duì)于基于二進(jìn)制字符串的描述符，例如ORB，BRIEF，BRISK等，應(yīng)使用cv2.NORM_HAMMING ，該函數(shù)使用漢明距離作為度量。如果ORB使用WTA_K == 3或 4，則應(yīng)使用 cv.NORM_HAMMING2。
第二個(gè)參數(shù)是布爾變量，即crossCheck，默認(rèn)情況下為false。如果為true，則Matcher僅返回具有值(i，j)(i，j)(i，j)的那些匹配項(xiàng)，以使集合A中的第i個(gè)描述符具有集合B中的第j個(gè)描述符為最佳匹配，反之亦然。即兩組中的兩個(gè)特征應(yīng)彼此匹配。它提供了一致的結(jié)果，并且是D.Lowe在SIFT論文中提出的比率測(cè)試的良好替代方案。創(chuàng)建之后，兩個(gè)重要的方法是
BFMatcher.match(): 返回最佳匹配
BFMatcher.knnMatch() : 返回k個(gè)最佳匹配，其中k由用戶指定。當(dāng)需要對(duì)此做其他工作時(shí)，它可能會(huì)很有用。就像使用cv.drawKeypoints()繪制關(guān)鍵點(diǎn)一樣，cv.drawMatches()可以幫助繪制出匹配項(xiàng)。它水平堆疊兩張圖像，并繪制從第一張圖像到第二張圖像的線，以顯示最佳匹配。還有

cv.drawMatchesKnn繪制所有k個(gè)最佳匹配。如果 k=2 ，它將為每個(gè)關(guān)鍵點(diǎn)繪制兩條匹配線。因此，如果要選擇性地繪制，則必須通過掩碼。 下面來看一個(gè)SIFT和ORB的示例（兩者都使用不同的距離測(cè)量）。

使用ORB描述符進(jìn)行Brute-Force匹配

下面將看到一個(gè)有關(guān)如何在兩個(gè)圖像之間匹配特征的簡(jiǎn)單示例。在這種情況下，有一個(gè)queryImage和trainImage。將嘗試使用特征匹配在trainImage中找到queryImage。（圖像是/samples/data/box.png和/samples/data/box_in_scene.png）圖像素材可以去github上找github.com/opencv/open…

使用ORB描述符來匹配特征。因此，從加載圖像，查找描述符等開始。之后創(chuàng)建一個(gè)距離測(cè)量值為cv2.NORM_HAMMING的BFMatcher對(duì)象（因?yàn)槭褂玫氖荗RB），并且啟用了CrossCheck以獲得更好的結(jié)果。然后，使用Matcher.match()方法來獲取兩個(gè)圖像中的最佳匹配。按照距離的升序?qū)λ鼈冞M(jìn)行排序，以使最佳匹配（低距離）排在前面。然后我們只抽出前10的匹配（只是為了提高可見度。您可以根據(jù)需要增加它）

# create bfmatcher object
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# match descriptors
matches = bf.match(des1, des2)
# sort them in the order of their distance
matches = sorted(matches, key=lambda x: x.distance)
# draw first 10 matches
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
plt.imshow(img3)
plt.show()

結(jié)果如下：

什么是Matcher對(duì)象？

matchs = bf.match(des1,des2) 的結(jié)果DMatch對(duì)象的列表。該DMatch對(duì)象具有以下屬性：

DMatch.distance-描述符之間的距離，越低越好
DMatch.trainIdx-train描述符中的描述符索引
DMatch.queryIdx-query描述符中的描述符索引
DMatch.imgIdx-train 圖像的索引。

帶有SIFT描述符和比例測(cè)試的Brute-Force匹配

這次，將使用BFMatcher.knnMatch()獲得k個(gè)最佳匹配。在此示例中，將k = 2，以便可以應(yīng)用D.Lowe在他的論文中闡述的比例測(cè)試。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('box2.png', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('box_in_scene.png', cv2.IMREAD_GRAYSCALE)
# initate sift detector
sift = cv2.xfeatures2d.SIFT_create()
# find teh keypoints and descriptors with sift
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# BFMatcher with default params
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
# apply ratio test
good = []
for m, n in matches:
    if m.distance &lt; 0.75 * n.distance:
        good.append([m])
# cv.drawMatchsKnn expects list of lists as matches.
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
plt.imshow(img3)
plt.show()

查看以下結(jié)果：

基于匹配器的FLANN

FLANN是近似最近鄰的快速庫(kù)。它包含一組算法，這些算法針對(duì)大型數(shù)據(jù)集中的快速最近鄰搜索和高維特征進(jìn)行了優(yōu)化。對(duì)于大型數(shù)據(jù)集，它的運(yùn)行速度比BFMatcher快。我們將看到第二個(gè)基于FLANN的匹配器示例。 對(duì)于基于FLANN的匹配器，需要傳遞兩個(gè)字典，這些字典指定要使用的算法，其相關(guān)參數(shù)等。

第一個(gè)是IndexParams。對(duì)于各種算法，要傳遞的信息在FLANN文檔中進(jìn)行了說明。概括來說，對(duì)于SIFT，SURF等算法，可以通過以下操作：

FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)

當(dāng)使用ORB時(shí)，可以參考下面。根據(jù)文檔建議使用帶注釋的值，但在某些情況下未提供必需的參數(shù)。其他值也可以正常工作。

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

第二個(gè)字典是SearchParams，它指定索引中的樹應(yīng)遞歸遍歷的次數(shù)。 較高的值可提供更好的精度，但也需要更多時(shí)間。如果要更改值，請(qǐng)傳遞 search_params = dict(checks = 100) 有了這些信息，就很容易。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('box2.png', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('box_in_scene.png', cv2.IMREAD_GRAYSCALE)
# initiate sift detector
sift = cv2.xfeatures2d.SIFT_create()
# find the keypoints and descriptors with sift
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# FLANN params
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)
# need to draw only good matches, so create a mask
matchesMask = [[0,0] for i in range(len(matches))]
# ratio test as per low's papre
for i, (m, n) in enumerate(matches):
    if m.distance &lt; 0.7*n.distance:
        matchesMask[i] = [1, 0]
# draw
darw_params = dict(
    matchColor=(0, 255, 0),
    singlePointColor=(255, 0, 0),
    matchesMask=matchesMask,
    flags=cv2.DrawMatchesFlags_DEFAULT)
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **darw_params)
plt.imshow(img3)
plt.show()

查看以下結(jié)果