opencv 暴力特征匹配+FLANN特征匹配

特征匹配的方法

• BF(Brute-Force),暴力特征匹配方法
• FLANN 最快邻近区特征匹配方法

暴力特征匹配方法的原理

• 它使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配
• 计算他们之间的差距，然后将最接近一个匹配返回（也即计算他们之间的相似度）

Opencv特征匹配的步骤

• 创建匹配器，BFMatcher(normType, crossCheck)
• 进行特征匹配，bf.match(des1,des2)
• 绘制匹配点，cv2.drawMatches(img1,kp1,img2,k2)

BFMatcher

• normType:NORM_L1,NORM_L2,HAMMING1…
• crossCheck :是否进行交叉匹配匹配，默认为FALSE

match

• 参数为SIFT,SURF,OBR等计算的描述子
• 对两幅图的描述子进行计算

drawMatches

• 搜索img,kp
• 匹配图img，kp
• match()方法返回的匹配结果

import cv2 as cv
import numpy as np

# 读取图片
img1 = cv.imread('1.png')
img2 = cv.imread('2.png')
# # 灰度化
# gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
gray1 = cv.cvtColor(img1, cv.COLOR_BGR2GRAY)
gray2 = cv.cvtColor(img2, cv.COLOR_BGR2GRAY)
# # 检测特征点+描述子
sift = cv.xfeatures2d.SIFT_create()  # 创建SIFT对象
# # surf = cv.xfeatures2d.SIFT_create()  # 创建SURF对象
# # orb = cv.ORB_create()    # 创建ORB对象
# # kp, des = sift.detectAndCompute(gray, None)   # 对整个图像进行检测，掩码设为None
# # kp, des = surf.detectAndCompute(gray, None)   # 对整个图像进行检测，掩码设为None
kp1, des1 = sift.detectAndCompute(gray1, None)   # 对整个图像进行检测，掩码设为None
kp2, des2 = sift.detectAndCompute(gray2, None)   # 对整个图像进行检测，掩码设为None
#
# # 创建匹配器
bf = cv.BFMatcher(cv.NORM_L1)
match = bf.match(des1, des2)    # 获得匹配点
img3 = cv.drawMatches(img1, kp1, img2, kp2, match, None)   # 绘制匹配点

# # cv.drawKeypoints(gray, kp, img)  # 绘制特征点
#
# # 显示图像
cv.imshow('img1', img1)
cv.imshow('img2', img2)
cv.imshow('img3', img3)
cv.waitKey(0)

FLANN特征匹配

flann优缺点

• 在进行批量特征匹配时，FLANN速度更快
• 由于它使用的是邻近近似值，所以精度较差

使用FLANN特征匹配的步骤

• 创建FLANN匹配器，FlannBasedMatcher(…)
• 进行特征匹配，flann.match/knnMatch(…)
• 绘制匹配点，cv.drawMatches/drawMatchesKnn(…)

FlannBasedMatcher

• index_params字典：匹配算法KDTREE、LSH
• 如果选择sift/surf，选择KDTREE
• 如果选择ORB,选择LSH
• search_params字典：指定KDTREE算法中的遍历树的次数，50
• KDTREE
  • index_params=dict(algorithm=FlANN_INDEX_KDTREE, trees=5)
  • search_params=dict(checks=50)

knnMatch

• 参数为SIFT/SURF/OBR等计算描述子
• k,表示取欧式距离最近的前k个关键点
• 返回的是匹配的结果DMatch对象
  • DMatch对象的内容如下
  • distance,描述子之间的距离，值越低越好
  • queryIdx,第一个图像的描述子索引值
  • trainIdx,第二个图的描述子索引值
  • imgIdx,第二个图的索引值

drawMatchesKnn

• 搜索img,kp
• 匹配图img，kp
• match()方法返回的匹配结果

import cv2 as cv
import numpy as np

# 读取图片
img1 = cv.imread('luban1.png')
img2 = cv.imread('luban2.png')
# 灰度化
gray1 = cv.cvtColor(img1,cv.COLOR_BGR2GRAY)
gray2 = cv.cvtColor(img2,cv.COLOR_BGR2GRAY)
# 创建sift特征匹配器
sift = cv.xfeatures2d.SIFT_create()
# 计算描述子与特征点
kp1, des1 = sift.detectAndCompute(gray1, None)
kp2, des2 = sift.detectAndCompute(gray2, None)
# 创建匹配器
index_params = dict(algorithm=1, trees=5)
search_params = dict(checks=50)
flann = cv.FlannBasedMatcher(index_params, search_params)
# 对描述子进行匹配
matches = flann.knnMatch(des1, des2, k=2)
good = []
for i, (m, n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        good.append(m)


# 绘制匹配点
ret = cv.drawMatchesKnn(img1,kp1,img2,kp2,[good],None)
cv.imshow('ret', ret)
cv.waitKey(0)