【opencv学习】SIFT算法的基本使用以及特征匹配

下面我们学习特征点匹配的使用

import cv2def cv_show_image(name, img):cv2.imshow(name, img)cv2.waitKey(0)  # 等待时间，单位是毫秒，0代表任意键终止cv2.destroyAllWindows()# 第一步：先读取俩图片
imgA = cv2.imread('images/build.jpeg', 0)
imgB = cv2.imread('images/build2.png', 0)# 第二步：构造sift，求解出特征点和sift特征向量
sift = cv2.xfeatures2d.SIFT_create()
kpsA, dpA = sift.detectAndCompute(imgA, None)
kpsB, dpB = sift.detectAndCompute(imgB, None)# 第三步：构造BFMatcher()蛮力匹配(Brute-Force)，匹配sift特征向量距离最近对应组分
bf = cv2.BFMatcher()# ===================================1对1的匹配
# A图像的一关键点和B图像的一关键点，互相都是对方最匹配的点。
# 获得匹配的结果，结果是一对，A图像的第 i 个kp 和 B图像的第 j 个kp一堆，匹配程度是多少，
# 匹配程度（两个128维度特征向量的近似度）用欧式距离表示，距离越小，表示越相近
matches = bf.match(dpA, dpB)# 按照匹配程度，对匹配的 对儿 排个序，
matches = sorted(matches, key=lambda x: x.distance)# 使用cv2.drawMacthes进行画图操作，这里我们只画出前30个最相近的。
ret = cv2.drawMatches(imgA, kpsA, imgB, kpsB, matches[:30], None, flags=2)cv_show_image('1_vs_1_img', ret)# ===================================K对最佳的匹配
# A图像中的某个关键点，可以在B图像中找到K的最匹配的点都保留下来。
# 假如我们取前2最匹配，
# 第一个图像有个点A，和第二个图像的有个点B最匹配，和C是次级最匹配。
# 匹配程度（两个128维度特征向量的近似度）用欧式距离表示，距离越小，表示越相近，dis(A,B)=m, dis(A,B)=n
# 我们再做个比较，如果 m < 0.75 * n 就可以取m，否则不取m，因为区分度不高，这个很模糊，不好说的。
matches = bf.knnMatch(dpA, dpB, k=2)# 完了后需要做个过滤
good_pts = []
for res in matches:m, n = resif m.distance < 0.75 * n.distance:good_pts.append([m])# 第四步：使用cv2.drawMacthes进行画图操作，这里我们只画出前30个最相近的。
ret = cv2.drawMatchesKnn(imgA, kpsA, imgB, kpsB, good_pts, None, flags=2)cv_show_image('knn_match', ret)

效果如下：
1对1匹配的结果

k对匹配的结果

很明显，K对匹配会有一些匹配错误的点，或者说是异常点，这个将大大折扣匹配效果，这个怎么消除呢？下一次的学习中将介绍方法。

【opencv学习】SIFT算法的基本使用以及特征匹配相关推荐

python+openCV使用SIFT算法实现印章的总相似度检测
python实现,使用SIFT算法和文字相似度检测算法,并使用了pyqt5做的印章相似度检测工具,还有很大优化空间,对于我这水平费了不少力气,记录一下. 首先整体流程是预建了一个印章库,包含若干张图片 ...
Opencv实现Sift、Surf、ORB特征提取与匹配
在opencv3中,这三个算子都转移到一个名为xfeature2d的第三方库中,而在opencv2中这三个算子在nonfree库中. 关于在vs下配置opencv可参考我转载的另外一篇文章.注意版本号 ...
SURF算法与SIFT算法的性能比较——图像特征点检测与提取算法分析
图像特征点提取算法的算法研究(SURF和SIFT算法) 1. 摘要计算机视觉中,很大一部分研究集中在图像特征提取和特征生成算法上.对图像的优化,不同于一般数学问题的优化方法,图像的优化是对像素点,在 ...
SIFT算法详解——图像特征提取与匹配
文章目录前言一.建立高斯差分金字塔 1.建立高斯金字塔 2.建立高斯差分金字塔 3.建塔过程中参数的设定及相关细节问题二.关键点(key points)位置确定 1.阈值化 2.在高斯差分金字塔 ...
OpenCV + CPP 系列（卌一）图像特征匹配（ FLANN 匹配）
文章目录一.FLANN简介演示SURF--Flann 二.单应性矩阵一.FLANN简介 FLANN库全称是Fast Library for Approximate Nearest Neighbo ...
学习sift算法的原理和步骤_深度学习笔记47_你也可以成为梵高_风格迁移算法的原理
神经风格迁移可用来干什么? 同deepDream一样是驱动图像修改的一个重大进展.可以把照片风格化,看起来就像是一幅画一样.这些为你提供非常多漂亮的艺术风格,就像是梵高所画的<星夜>. ...
opencv学习笔记三十六：AKAZE特征点检测与匹配
KAZE是日语音译过来的 , KAZE与SIFT.SURF最大的区别在于构造尺度空间,KAZE是利用非线性方式构造,得到的关键点也就更准确(尺度不变性 ): Hessian矩阵特征点检测 ,方向指定, ...
opencv学习之路（21）、模板匹配及应用
一.模板匹配概念二.单模板匹配 1 #include "opencv2/opencv.hpp" 2 #include <iostream> 3 using names ...
OpenCV + CPP 系列（卌二）图像特征匹配（ KAZE/AKAZE）
文章目录一.KAZE简介二.代码演示特征检测效果对比演示匹配一.KAZE简介 ECCV2012中出现了一种比SIFT更稳定的特征检测算法KAZE ([1]).KAZE的取名是为了纪念尺度空间 ...

【opencv学习】SIFT算法的基本使用以及特征匹配

【opencv学习】SIFT算法的基本使用以及特征匹配相关推荐

最新文章

热门文章