欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

OpenCV-Python sift/surf特征匹配与显示

程序员文章站 2022-07-14 23:44:23
...

import cv2
import numpy as np

def drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch):
    h1, w1 = img1_gray.shape[:2]
    h2, w2 = img2_gray.shape[:2]

    vis = np.zeros((max(h1, h2), w1 + w2, 3), np.uint8)
    vis[:h1, :w1] = img1_gray
    vis[:h2, w1:w1 + w2] = img2_gray

    p1 = [kpp.queryIdx for kpp in goodMatch]
    p2 = [kpp.trainIdx for kpp in goodMatch]

    post1 = np.int32([kp1[pp].pt for pp in p1])
    post2 = np.int32([kp2[pp].pt for pp in p2]) + (w1, 0)

    for (x1, y1), (x2, y2) in zip(post1, post2):
        cv2.line(vis, (x1, y1), (x2, y2), (0,0,255))

    cv2.namedWindow("match",cv2.WINDOW_NORMAL)
    cv2.imshow("match", vis)

img1_gray = cv2.imread("D:\\05.jpg")
img2_gray = cv2.imread("D:\\06.jpg")

sift = cv2.SIFT()
#sift = cv2.SURF()

kp1, des1 = sift.detectAndCompute(img1_gray, None)
kp2, des2 = sift.detectAndCompute(img2_gray, None)

# BFmatcher with default parms
bf = cv2.BFMatcher(cv2.NORM_L2)
matches = bf.knnMatch(des1, des2, k = 2)

goodMatch = []
for m,n in matches:
    if m.distance < 0.50*n.distance:
        goodMatch.append(m)

drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch[:20])

cv2.waitKey(0)
cv2.destroyAllWindows()


sift特征匹配效果:

OpenCV-Python sift/surf特征匹配与显示


SURF特征匹配效果:

OpenCV-Python sift/surf特征匹配与显示


说明:
  • 1.  Sift特征和Surf特征提取特征的方法略有差异,在整个匹配流程上一样
  • 2.  knnMatch(des1, des2,k = 2) 函数执行特征点匹配, k = 2 定义基准图像上的一个点会在另一幅图像上有2个匹配结果。
  • 3.  不论Sift还是Surf都是强制匹配,不能保证匹配的点就是准确的,只能保证相对正确。
  • 4.  goodMatch是经过筛选的优质配对,如果2个配对中第一匹配的距离小于第二匹配的距离的0.5,基本可以说明这个第一配对是两幅图像中独特的,不重复的特征点。当然并不能保证goodMatch保留的就是最优匹配。
  • 5. OpenCV3中有drawMatchesKnn()函数,可以直接拼接显示配对点,OpenCV2中没有这个函数,定义的drawMatchesKnn_cv2()实现了配对显示部分功能。