git：https://github.com/linyi0604/Computer-Vision
bf暴力匹配：
1 # coding:utf-8
2
3 import cv2 4
5 """
6 orb特征检测和匹配 7 两幅图片分别是 乐队的logo 和包含该logo的专辑封面 8 利用orb进行检测后进行匹配两幅图片中的logo 9
10 """
11 # 按照灰度图像的方式读入两幅图片
12 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE) 13 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE) 14
15 # 创建ORB特征检测器和描述符
16 orb = cv2.ORB_create() 17 # 对两幅图像检测特征和描述符
18 keypoint1, descriptor1 = orb.detectAndCompute(img1, None) 19 keypoint2, descriptor2 = orb.detectAndCompute(img2, None) 20 """
21 keypoint 是一个包含若干点的列表 22 descriptor 对应每个点的描述符 是一个列表， 每一项都是检测到的特征的局部图像 23
24 检测的结果是关键点 25 计算的结果是描述符 26
27 可以根据监测点的描述符 来比较检测点的相似之处 28
29 """
30 # 获得一个暴力匹配器的对象
31 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) 32 # 利用匹配器 匹配两个描述符的相近成都
33 maches = bf.match(descriptor1, descriptor2) 34 # 按照相近程度 进行排序
35 maches = sorted(maches, key=lambda x: x.distance) 36 # 画出匹配项
37 img3 = cv2.drawMatches(img1, keypoint1, img2, keypoint2, maches[: 30], img2, flags=2) 38
39 cv2.imshow("matches", img3) 40 cv2.waitKey() 41 cv2.destroyAllWindows()
knn匹配：
1 # coding:utf-8
2
3 import cv2 4
5 # 按照灰度图像读入两张图片
6 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE) 7 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE) 8
9 # 获取特征提取器对象
10 orb = cv2.ORB_create() 11 # 检测关键点和特征描述
12 keypoint1, desc1 = orb.detectAndCompute(img1, None) 13 keypoint2, desc2 = orb.detectAndCompute(img2, None) 14 """
15 keypoint 是关键点的列表 16 desc 检测到的特征的局部图的列表 17 """
18 # 获得knn检测器
19 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) 20 matches = bf.knnMatch(desc1, desc2, k=1) 21 """
22 knn 匹配可以返回k个最佳的匹配项 23 bf返回所有的匹配项 24 """
25 # 画出匹配结果
26 img3 = cv2.drawMatchesKnn(img1, keypoint1, img2, keypoint2, matches, img2, flags=2) 27 cv2.imshow("matches", img3) 28 cv2.waitKey() 29 cv2.destroyAllWindows()
FLANN匹配：
# coding:utf-8
import cv2 """ FLANN是类似最近邻的快速匹配库 它会根据数据本身选择最合适的算法来处理数据 比其他搜索算法快10倍 """
# 按照灰度图片读入
img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE) img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE) # 创建sift检测器
sift = cv2.xfeatures2d.SIFT_create() # 查找监测点和匹配符
kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) """ keypoint是检测到的特征点的列表 descriptor是检测到特征的局部图像的列表 """
# 获取flann匹配器
FLANN_INDEX_KDTREE = 0 indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) searchParams = dict(checks=50) flann = cv2.FlannBasedMatcher(indexParams, searchParams) # 进行匹配
matches = flann.knnMatch(des1, des2, k=2) # 准备空的掩膜 画好的匹配项
matchesMask = [[0, 0] for i in range(len(matches))] for i, (m, n) in enumerate(matches): if m.distance < 0.7*n.distance: matchesMask[i] = [1, 0] drawPrams = dict(matchColor=(0, 255, 0), singlePointColor=(255, 0, 0), matchesMask=matchesMask, flags=0) # 匹配结果图片
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams) cv2.imshow("matches", img3) cv2.waitKey() cv2.destroyAllWindows()
