在本章中， - 我們將看到如何將一個圖像中的特征與其他圖像進(jìn)行匹配。 - 我們將在OpenCV中使用Brute-Force匹配器和FLANN匹配器
一、Brute-Force匹配器
它使用第一組中一個特征的描述符，并使用一些距離計(jì)算將其與第二組中的所有其他特征匹配。并返回最接近的一個。

對于BF匹配器，首先我們必須使用cv.BFMatcher()創(chuàng)建BFMatcher對象。 它需要兩個可選參數(shù)。第一個是normType，它指定要使用的距離測量。默認(rèn)情況下為cv.NORM_L2。對于SIFT，SURF等（也有cv.NORM_L1）很有用。 對于基于二進(jìn)制字符串的描述符，例如ORB，BRIEF，BRISK等，應(yīng)使用cv.NORM_HAMMING，該函數(shù)使用漢明距離作為度量。如果ORB使用WTA_K == 3或4，則應(yīng)使用cv.NORM_HAMMING2。

第二個參數(shù)是布爾變量，即crossCheck，默認(rèn)情況下為false。如果為true，則Matcher僅返回具有值(i，j)的那些匹配項(xiàng)，以使集合A中的第i個描述符具有集合B中的第j個描述符為最佳匹配，反之亦然。即兩組中的兩個特征應(yīng)彼此匹配。它提供了一致的結(jié)果，并且是D.Lowe在SIFT論文中提出的比率測試的良好替代方案。

創(chuàng)建之后，兩個重要的方法是BFMatcher.match()和BFMatcher.knnMatch()。第一個返回最佳匹配。第二種方法返回k個最佳匹配，其中k由用戶指定。當(dāng)我們需要對此做其他工作時，它可能會很有用。

就像我們使用cv.drawKeypoints()繪制關(guān)鍵點(diǎn)一樣，cv.drawMatches()可以幫助我們繪制匹配項(xiàng)。它水平堆疊兩張圖像，并繪制從第一張圖像到第二張圖像的線，以顯示最佳匹配。還有cv.drawMatchesKnn繪制所有k個最佳匹配。如果k=2，它將為每個關(guān)鍵點(diǎn)繪制兩條匹配線。因此，如果要選擇性地繪制，則必須通過掩碼。
使用ORB描述符進(jìn)行Brute-Force匹配

在這里，我們將看到一個有關(guān)如何在兩個圖像之間匹配特征的簡單示例。在這種情況下，我有一個queryImage和trainImage。我們將嘗試使用特征匹配在trainImage中找到queryImage。（圖像是/samples/data/box.png和/samples/data/box_in_scene.png）

我們正在使用ORB描述符來匹配特征。因此，讓我們從加載圖像，查找描述符等開始。

import numpy as np import cv2 as cv import matplotlib.pyplot as plt img1 = cv.imread('box.png',cv.IMREAD_GRAYSCALE) # 索引圖像 img2 = cv.imread('box_in_scene.png',cv.IMREAD_GRAYSCALE) # 訓(xùn)練圖像 # 初始化ORB檢測器 orb = cv.ORB_create() # 基于ORB找到關(guān)鍵點(diǎn)和檢測器 kp1, des1 = orb.detectAndCompute(img1,None) kp2, des2 = orb.detectAndCompute(img2,None)

接下來，我們創(chuàng)建一個距離測量值為cv.NORM_HAMMING的BFMatcher對象（因?yàn)槲覀兪褂玫氖荗RB），并且啟用了CrossCheck以獲得更好的結(jié)果。然后，我們使用Matcher.match()方法來獲取兩個圖像中的最佳匹配。我們按照距離的升序?qū)λ鼈冞M(jìn)行排序，以使最佳匹配（低距離）排在前面。然后我們只抽出前10的匹配（只是為了提高可見度。您可以根據(jù)需要增加它）

# 創(chuàng)建BF匹配器的對象 bf = cv.BFMatcher(cv.NORM_HAMMING, crossCheck=True) # 匹配描述符. matches = bf.match(des1,des2) # 根據(jù)距離排序 matches = sorted(matches, key = lambda x:x.distance) # 繪制前10的匹配項(xiàng) img3 = cv.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.imshow(img3),plt.show()

運(yùn)行結(jié)果：

什么是Matcher對象？

matchs = bf.match(des1,des2)行的結(jié)果是DMatch對象的列表。該DMatch對象具有以下屬性： - DMatch.distance-描述符之間的距離。越低越好。 - DMatch.trainIdx-火車描述符中的描述符索引 - DMatch.queryIdx-查詢描述符中的描述符索引 - DMatch.imgIdx-火車圖像的索引。

二、帶有SIFT描述符和比例測試的Brute-Force匹配

這次，我們將使用BFMatcher.knnMatch()獲得k個最佳匹配。在此示例中，我們將k = 2，以便可以應(yīng)用D.Lowe在他的論文中闡述的比例測試。

import numpy as np import cv2 as cv import matplotlib.pyplot as plt img1 = cv.imread('box.png',cv.IMREAD_GRAYSCALE) # 索引圖像 img2 = cv.imread('box_in_scene.png',cv.IMREAD_GRAYSCALE) # 訓(xùn)練圖像 # 初始化SIFT描述符 sift = cv.xfeatures2d.SIFT_create() # 基于SIFT找到關(guān)鍵點(diǎn)和描述符 kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # 默認(rèn)參數(shù)初始化BF匹配器 bf = cv.BFMatcher() matches = bf.knnMatch(des1,des2,k=2) # 應(yīng)用比例測試 good = [] for m,n in matches:if m.distance < 0.75*n.distance:good.append([m]) # cv.drawMatchesKnn將列表作為匹配項(xiàng)。 img3 = cv.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.imshow(img3),plt.show()

查看結(jié)果：

三、基于匹配器的FLANN

FLANN是近似最近鄰的快速庫。它包含一組算法，這些算法針對大型數(shù)據(jù)集中的快速最近鄰搜索和高維特征進(jìn)行了優(yōu)化。對于大型數(shù)據(jù)集，它的運(yùn)行速度比BFMatcher快。我們將看到第二個基于FLANN的匹配器示例。

對于基于FLANN的匹配器，我們需要傳遞兩個字典，這些字典指定要使用的算法，其相關(guān)參數(shù)等。第一個是IndexParams。對于各種算法，要傳遞的信息在FLANN文檔中進(jìn)行了說明。概括來說，對于SIFT，SURF等算法，您可以通過以下操作：

FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)

使用ORB時，你可以參考下面。根據(jù)文檔建議使用帶注釋的值，但在某些情況下未提供必需的參數(shù)。其他值也可以正常工作。

FLANN_INDEX_LSH = 6 index_params= dict(algorithm = FLANN_INDEX_LSH,table_number = 6, # 12key_size = 12, # 20multi_probe_level = 1) #2

第二個字典是SearchParams。它指定索引中的樹應(yīng)遞歸遍歷的次數(shù)。較高的值可提供更好的精度，但也需要更多時間。如果要更改值，請傳遞search_params = dict(checks = 100)

import numpy as np import cv2 as cv import matplotlib.pyplot as plt img1 = cv.imread('box.png',cv.IMREAD_GRAYSCALE) # 索引圖像 img2 = cv.imread('box_in_scene.png',cv.IMREAD_GRAYSCALE) # 訓(xùn)練圖像 # 初始化SIFT描述符 sift = cv.xfeatures2d.SIFT_create() # 基于SIFT找到關(guān)鍵點(diǎn)和描述符 kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # FLANN的參數(shù) FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks=50) # 或傳遞一個空字典 flann = cv.FlannBasedMatcher(index_params,search_params) matches = flann.knnMatch(des1,des2,k=2) # 只需要繪制好匹配項(xiàng)，因此創(chuàng)建一個掩碼 matchesMask = [[0,0] for i in range(len(matches))] # 根據(jù)Lowe的論文進(jìn)行比例測試 for i,(m,n) in enumerate(matches):if m.distance < 0.7*n.distance:matchesMask[i]=[1,0] draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,0,0),matchesMask = matchesMask,flags = cv.DrawMatchesFlags_DEFAULT) img3 = cv.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params) plt.imshow(img3,),plt.show()

運(yùn)行結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的图像处理之图像特征匹配的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。