OpenCV-Python sift/surf特征匹配與顯示

import cv2 import numpy as np def drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch): h1, w1 = img1_gray.shape[:2] h2, w2 = img2_gray.shape[:2] vis = np.zeros((max(h1, h2), w1 + w2, 3), np.uint8) vis[:h1, :w1] = img1_gray vis[:h2, w1:w1 + w2] = img2_gray p1 = [kpp.queryIdx for kpp in goodMatch] p2 = [kpp.trainIdx for kpp in goodMatch] post1 = np.int32([kp1[pp].pt for pp in p1]) post2 = np.int32([kp2[pp].pt for pp in p2]) + (w1, 0) for (x1, y1), (x2, y2) in zip(post1, post2): cv2.line(vis, (x1, y1), (x2, y2), (0,0,255)) cv2.namedWindow("match",cv2.WINDOW_NORMAL) cv2.imshow("match", vis) img1_gray = cv2.imread("D:\\05.jpg") img2_gray = cv2.imread("D:\\06.jpg") sift = cv2.SIFT() #sift = cv2.SURF() kp1, des1 = sift.detectAndCompute(img1_gray, None) kp2, des2 = sift.detectAndCompute(img2_gray, None) # BFmatcher with default parms bf = cv2.BFMatcher(cv2.NORM_L2) matches = bf.knnMatch(des1, des2, k = 2) goodMatch = [] for m,n in matches: if m.distance < 0.50*n.distance: goodMatch.append(m) drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch[:20]) cv2.waitKey(0) cv2.destroyAllWindows()

sift特征匹配效果：

SURF特征匹配效果：

說明：

• 1.  Sift特征和Surf特征提取特征的方法略有差異，在整個匹配流程上一樣

• 2.  knnMatch(des1, des2,k = 2) 函數執行特征點匹配， k = 2 定義基准圖像上的一個點會在另一幅圖像上有2個匹配結果。

• 3.  不論Sift還是Surf都是強制匹配，不能保證匹配的點就是准確的，只能保證相對正確。

• 4.  goodMatch是經過篩選的優質配對，如果2個配對中第一匹配的距離小於第二匹配的距離的0.5，基本可以說明這個第一配對是兩幅圖像中獨特的，不重復的特征點。當然並不能保證goodMatch保留的就是最優匹配。

• 5. OpenCV3中有drawMatchesKnn()函數，可以直接拼接顯示配對點，OpenCV2中沒有這個函數，定義的drawMatchesKnn_cv2()實現了配對顯示部分功能。