码迷,mamicode.com
首页 > 其他好文 > 详细

OpenCV--特征匹配

时间:2020-02-12 22:06:49      阅读:118      评论:0      收藏:0      [点我收藏+]

标签:lib   end   display   s2d   def   技术   sample   dma   flags   

特征匹配

Brute-Force蛮力匹配

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)

效果:

技术图片

cv_show(img2,img2)

效果:

技术图片

sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# crossCheck表示两个特征点要互相匹,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)

1对1匹配

matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2) cv_show(img3,img3)

效果:

技术图片

 

 k对最佳匹配

bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
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)

效果:

技术图片

 

 如果需要更快速完成操作,可以尝试使用cv2.FlannBasedMatcher

随机抽样一致算法(Random sample consensus,RANSAC)

技术图片

 

 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

技术图片

 

 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

技术图片

 

 单应性矩阵

技术图片

OpenCV--特征匹配

标签:lib   end   display   s2d   def   技术   sample   dma   flags   

原文地址:https://www.cnblogs.com/SCCQ/p/12300995.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!