ML之SIFT_FLANN：对图片提取SIFT特征并利用FLANN方法判别图像的相似度并可视化

ML之SIFT_FLANN：对图片提取SIFT特征并利用FLANN方法判别图像的相似度并可视化

 

目录

FLANN算法

1、建立索引

2、进行搜索

输出结果

实现代码

---

 

FLANN算法

          FLANN库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制。
          使用flann的搜索，整体来说分为两步，一是建立索引，二是搜索。

• 使用SIFT特征提取关键点；
• 计算SIFT特征描述子；
• 使用FLANN匹配器进行描述子向量匹配。

 

1、建立索引

        其实就是要两部分参数，一是数据也就是mat矩阵，二是一些具体参数，这个参数要根据建立的索引类型来设置。而有哪些索引类型呢？  共有：线性索引、KD-Tree索引、K均值索引、复合索引、LSH方法索引、自动索引 六种。

 

2、进行搜索

有两种搜索方式 ：knnSearch //搜索k邻近 、radiusSearch //搜索半径最近 
从返回结果考虑两者的不同之处在于： 
knnSearch返回最近邻的点（具体点的个数由用户设定，设n个就一定返回n个）； 
radiusSearch返回搜索半径内所有点（即可能不存在符合条件的点，则返回空的）。

 

输出结果

 

实现代码

ML之SIFT：对图片提取SIFT特征并利用FLANN方法判别图像的相似度并可视化

    sift = cv2.xfeatures2d.SIFT_create()   
    # 查找监测点和匹配符
    kp1, des1 = sift.detectAndCompute(img1, None)
    kp2, des2 = sift.detectAndCompute(img2, None)
    print(len(kp1), len(des1) )   # 1402, 1402


    FLANN_INDEX_KDTREE = 0
    indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
    searchParams = dict(checks=50)
    flann = cv2.FlannBasedMatcher(indexParams, searchParams)
    # 进行匹配
    matches = flann.knnMatch(des1, des2, k=2)
    # 准备空的掩膜 画好的匹配项
    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]
     
    drawPrams = dict(matchColor=(0, 255, 0),
                     singlePointColor=(255, 0, 0),
                     matchesMask=matchesMask,
                     flags=0)
    img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams)
    img_PutText = cv2.putText(img3, "SIFT+kNNMatch: Image Similarity Comparisonn", (40, 40),cv2.FONT_HERSHEY_COMPLEX, 1.5, (0, 0, 255), 3,)
    img4 = cv2.resize(img_PutText, (0, 0), fx=0.5, fy=0.5, interpolation=cv2.INTER_NEAREST)  #缩小1/2
     
    cv2.imshow("matches", img4)
    cv2.waitKey(7000)
    cv2.destroyAllWindows()