图像处理之特征匹配
一、Brute-Force蛮力匹配
输入图像:
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)
计算特征点及特征向量:
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
二、1对1的匹配
# crossCheck表示两个特征点要互相匹配,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) #蛮力匹配
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance) #按照距离排序
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2) #画出前10对匹配点
cv_show('img3',img3)
三、k对最佳匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2) #k对最佳匹配
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
四、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