标签:lib end display s2d def 技术 sample dma flags
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:
cv_show(‘img2‘,img2)
效果:
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)
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:
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:
如果需要更快速完成操作,可以尝试使用cv2.FlannBasedMatcher
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
标签:lib end display s2d def 技术 sample dma flags
原文地址:https://www.cnblogs.com/SCCQ/p/12300995.html