機器學習進階-案例實戰-圖像全景拼接-書籍SIFT特征點連接 1.cv2.drawMatches(對兩個圖像的關鍵點進行連線操作)

1.cv2.drawMatches(imageA, kpsA, imageB, kpsB, matches[:10], None, flags=2)  # 對兩個圖像關鍵點進行連線操作

參數說明：imageA和imageB表示圖片，kpsA和kpsB表示關鍵點， matches表示進過cv2.BFMatcher獲得的匹配的索引值，也有距離， flags表示有幾個圖像

書籍的SIFT特征點連接：

   第一步:使用sift.detectAndComputer找出關鍵點和sift特征向量

   第二步：構建BFMatcher()蠻力匹配器，bf.match匹配sift特征向量，使用的是歐式距離

   第三步：根據匹配結果matches.distance對matches按照距離進行排序

   第四步：進行畫圖操作，使用cv2.drawMatches進行畫圖操作

import cv2
import numpy as np

#讀入圖片
imgA = cv2.imread('box.png', 0)
imgB = cv2.imread('box_in_scene.png', 0)




def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 第一步：構造sift，求解出特征點和sift特征向量
sift = cv2.xfeatures2d.SIFT_create()
kpsA, dpA = sift.detectAndCompute(imgA, None)
kpsB, dpB = sift.detectAndCompute(imgB, None)

# 第二步：構造BFMatcher()蠻力匹配，匹配sift特征向量距離最近對應組分
bf = cv2.BFMatcher()
# 獲得匹配的結果
matches = bf.match(dpA, dpB)

#第三步：對匹配的結果按照距離進行排序操作
matches = sorted(matches, key=lambda x: x.distance)

# 第四步：使用cv2.drawMacthes進行畫圖操作
ret = cv2.drawMatches(imgA, kpsA, imgB, kpsB, matches[:10], None, flags=2)

cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()