图像匹配之brute-force算法

图像匹配是特征匹配的过程,通过比较特征向量的欧氏距离判断图像相似度。本文使用OpenCV实现暴力匹配,利用SIFT特征和FLANN算法计算最近距离,实验结果显示了不同图像的匹配效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

<pre name="code" class="html">

 最近在做图像检索算法(visual search)研究。图像检索本质上还是图像匹配,因此特征提取,特征匹配等步骤都是图像检索算法的核心和难点。直到现在图像检索技术还是处于比较原始的阶段,这一点用google搜图或者百度搜图可以看到,搜索的返回效果不是很令人满意。特征提取的难点在于,针对不同的物体需要不同的特征进行描述。针对于同一种物体,同一种匹配算法,不同的特征可能带来很多的不一样。目前用的比较多的是SIFT特征,SIFT特征具有旋转不变性和尺度不变性等优点,是图像匹配的优先选择。因此这里我选择用SIFT特征进行实验。第二个难点是图像匹配,目前的算法主要还是借鉴于文本检索的词袋模型算法。 

         图像匹配本质上是特征匹配。因为我们总可以将图像表示成多个特征向量的组成,因此如果两幅图片具有相同的特征向量越多,则可以认为两幅图片的相似程度越高。而特征向量的相似程度通常是用它们之间的欧氏距离来衡量,欧式距离越小,则可以认为越相似。

      匹配主要是用opencv对图像进行暴力匹配。依次找出两幅图像中相似度最高的两个特征向量,并将他们连线。用的是opencv内置算法,opencv用的是sift特征和FLANN算法进行最近距离计算。先贴代码,再看实验结果

</pre><pre name="code" class="cpp">#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include<opencv2/legacy/legacy.hpp>
#include <opencv2/nonfree/features2d.hpp> 
u
### 使用OpenCV的BFMatcher进行特征匹 为了理解如何使用OpenCV中的`BFMatcher`(暴力匹器)来进行特征匹,先要了解其基本原理。暴力匹器通过计算第一个集合中某一特征描述符与其他所有特征之间的距离来找到最接近的一个[^4]。 具体来说,在Python环境中使用OpenCV库执行这一操作涉及几个关键步骤: #### 导入必要的模块并初始化ORB检测器 ```python import numpy as np import cv2 as cv from matplotlib import pyplot as plt img1 = cv.imread('box.png',cv.IMREAD_GRAYSCALE) # queryImage img2 = cv.imread('box_in_scene.png',cv.IMREAD_GRAYSCALE) # trainImage # 初始化 ORB 检测器 orb = cv.ORB_create() ``` #### 提取关键点和描述子 对于两张图片分别提取出它们的关键点以及对应的描述向量: ```python kp1, des1 = orb.detectAndCompute(img1,None) kp2, des2 = orb.detectAndCompute(img2,None) ``` #### 创建BFMatcher对象并执行匹过程 创建一个基于Hamming距离度量方式的BFMatcher实例,并调用match方法完成两组描述子间的对工作: ```python bf = cv.BFMatcher(cv.NORM_HAMMING, crossCheck=True) matches = bf.match(des1,des2) ``` 这里选择了交叉验证模式(`crossCheck=True`),这意味着如果两个描述子互相是最优匹,则认为这对儿是有效的;这有助于提高最终结果的质量。 #### 对匹结果按照距离排序并绘制前十个最佳匹项 最后一步是对得到的所有匹关系按距离从小到大排列,并选取其中最好的一些显示出来: ```python matches = sorted(matches, key=lambda x:x.distance) img3 = cv.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.imshow(img3),plt.show() ``` 上述代码片段展示了完整的流程,从加载图像、定义特征点检测算法(此处采用的是ORB),再到构建匹器直至可视化输出匹效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值