图像匹配之brute-force算法

最新推荐文章于 2024-03-15 23:42:50 发布
最新推荐文章于 2024-03-15 23:42:50 发布
阅读量7.7k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 图像
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Swartz2015/article/details/50800578
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

                

        

    

    
  


        

            

                      
                        最低0.47元/天 解锁文章
                        

                          
200万优质内容无限畅学

                          
                        

                      
            

        


    



                



	

		

			

				
					
计算机视觉与深度学习 ｜ 2024年至2025年图像匹配算法总结（原理，公式，代码，开源链接）

				
			

			

				

					尘世冰封的专栏
				

				

					06-13
					
					671
					
				

			

		

		

			
				
以上总结覆盖了当前主流和前沿技术，实际选择需结合具体场景（速度/精度/资源限制）评估。

			
		

	



                

            
              



	

		

			

				
					
教程7_特征匹配(Brute-Force匹配器)

				
			

			

				

					
				

				

					05-29
					
					410
					
				

			

		

		

			
				
在Python的OpenCV库（cv2模块）中，"Brute-Force匹配"（也被称为暴力匹配）是一种用于特征点匹配的方法。

			
		

	



              


  
              

                


	

		

			

				
					
Brute Force 算法介绍

				
			

			

				

					m0_73737898的博客
				

				

					03-15
					
					1742
					
				

			

		

		

			
				
Brute Force 算法：简称为 BF 算法。中文意思是暴力匹配算法，也可以叫做朴素匹配算法。BF 算法思想：对于给定文本串T与模式串p，从文本串的第一个字符开始与模式串p的第一个字符进行比较，如果相等，则继续逐个比较后续字符，否则从文本串T的第二个字符起重新和模式串p进行比较。依次类推，直到模式串p中每个字符依次与文本串T的一个连续子串相等，则模式匹配成功。否则模式匹配失败。

			
		

	





	

		

			

				
					
图像暴力匹配（DMatch）

				
			

			

				

					moon
				

				

					03-16
					
					3372
					
				

			

		

		

			
				
//// ConsoleApplication40.cpp : 定义控制台应用程序的入口点。
////
//
//#include "stdafx.h"
//#include &lt;iostream&gt;
//#include &lt;stdio.h&gt;
//#include "opencv2/core.hpp"
//#include "opencv2/core/utility.hpp"
...

			
		

	



		

			
		



	

		

			

				
					
Brute-force String Matching

				
			

			

				

					计算机系秃头少女的博客
				

				

					09-11
					
					316
					
				

			

		

		

			
				
复杂度




			
		

	





	

		

			

				
					
Python OpenCV 图像匹配（Brute-Force与FLANN）的原理与代码实现

				
			

			

				

					乔卿的博客
				

				

					07-18
					
					3436
					
				

			

		

		

			
				
获得两张图像的关键点之后，下一步就是找到它们之间的对应关系，找到那些相匹配的点，从而基于这些点，实现图像拼接。这一方法即暴力搜索法，它选择第一个集合中一个特征的描述符，计算与第二个集合中的所有其他特征描述符之间的距离，返回最接近的一个。该方法返回的结果是DMatch对象的列表。......

			
		

	





	

		

			

				
					
Brute-Force算法  （eg.Binary String Matching）

				
			

			

				

					chwei_cson的专栏
				

				

					07-12
					
					2516
					
				

			

		

		

			
				
先说一下Brute-Force算法的设计思想吧。将主串S的第一个字符和模式T的第一个字符比较，若相等，则继续逐个比较后续字符。若不等，则从主串S的下一字符起，重新与T的第一个字符比较，直到主串S的一个连续子串字符序列与模式T相等。返回值为S中与T匹配的子序列第一个字符的序号，即匹配成功；否则，匹配失败，返回值－1。
它的算法实现为： 

int Find Substr(HString &S,

			
		

	





	

		

			

				
					
python opencv 特征匹配_特征匹配(Brute-Force和FLANN匹配）　(OpenCV+Python)

				
			

			

				

					weixin_42494742的博客
				

				

					01-14
					
					999
					
				

			

		

		

			
				
本文内容是对Opencv官方文档的学习笔记蛮力(Brute0Force)匹配原理蛮力匹配很简单,首先在第一幅图像中选取一个关键点，然后依次与第二幅图像的每一个关键点进行(描述符)距离测试，最后返回距离最近的关键点。相关函数介绍在这里由于有不同版本的OpenCV，下面将要涉及到的函数也会有差别，在这里先列出作者的OpenCV版本为3.4.1。对于BF匹配器，我们需要用  cv2.BFMatcher(...

			
		

	





	

		

			

				
					
2019-9-9 opencv特征检测和描述9-特征匹配（图片在opencv下载）Brute-Force Matcher/FLANN Matcher

				
			

			

				

					weixin_42555985的博客
				

				

					09-09
					
					494
					
				

			

		

		

			
				
官网https://docs.opencv.org/3.4.1/dc/dc3/tutorial_py_matcher.html
Brute-Force（暴力）匹配基础
暴力匹配是很简单的。先取第一个集合（图像）中一个特征的描述符，然后和第二个集合（图像）中所有特征进行距离计算，最后返回距离最近的那个特征点（最匹配）。
BF匹配，首先我们使用cv.BFMatcher()函数创建BFMatcher对象...

			
		

	





	

		

			

				
					
opencv4 图像特征匹配_openCV - 图像特征匹配

				
			

			

				

					weixin_39605578的博客
				

				

					11-23
					
					424
					
				

			

		

		

			
				
目标本章节中我们将实现如何不同图像之间匹配特征.将使用两种匹配器，openCV提供了Brute-Force 和 FLANNBrute-Force 匹配器的基本原理Brute-Force匹配器很简单。它采用第一个集合中一个特征的描述符，并通过距离计算与第二个集合中的所有其他特征匹配，返回最近的一个。对于BF匹配器，首先必须使用cv.BFMatcher()创建BFMatcher对象。它需要两个可选参数...

			
		

	





	

		

			

				
					
Algorithm学习笔记 --- brute force算法(暴力算法)

					
热门推荐

				
			

			

				

					杨鑫newlife的专栏
				

				

					10-21
					
					2万+
					
				

			

		

		

			
				
Algorithm学习笔记 --- brute force算法(暴力算法)

			
		

	





	

		

			

				
					
图像匹配算法

				
			

			

				

					11-04
				

			

		

		

			
				
TEMPLATE_MATCHING is a cpu efficient function which calculates matching 
 score images between template and an (color) 2D or 3D image. It calculates: The sum of squared difference (SSD Block Matching), robust template
 matching.
The normalized cross correlation (NCC), independent of illumination, only dependent on texture
The user can combine the two images, to get template matching which
works robust with his application. 
 Both measures are implemented using FFT based correlation.

			
		

	





	

		

			

				
					
bruteForce 暴力匹配算法

				
			

			

				

					duanbin的博客
				

				

					03-10
					
					723
					
				

			

		

		

			
				
目录一、代码二、结果
一、代码
#include &amp;lt;stdio.h&amp;gt;
#include &amp;lt;string.h&amp;gt;

int test()
{
	const char* src = &quot;BBCABCDABABCCDABCDABDEWWF&quot;;
	const char* dst = &quot;ABCDABD&quot;;

	int srcLen = strl

			
		

	





	

		

			

				
					
BF(brute force)算法

				
			

			

				

					weixin_41274295的博客
				

				

					02-20
					
					311
					
				

			

		

		

			
				

// 利用BF算法检测l2是否为l1的子串
// l1 为主串
// l2 为子串
// 函数返回 1 = true，0 = false
int BF(string l1, string l2) {

	int length = 0;

	for (int j =0; j &lt;l1.size(); j++)
	{
		if (l1.at(j) == l2.at(0))  // l1 第 j ...

			
		

	





	

		

			

				
					
【算法】Brute-Force 算法

				
			

			

				

					代码星辰的博客
				

				

					02-01
					
					2713
					
				

			

		

		

			
				
本文介绍字符串的模式匹配算法之一——Brute-Force 算法，包括其概述、代码实现等。

			
		

	





	

		

			

				
					
python学习day19 模块

				
			

			

				

					anlihei0510的博客
				

				

					06-26
					
					228
					
				

			

		

		

			
				
# 昨日复习：# 字符组 [字符]# 元字符：# \w \d \s# \W \D \S# . 除了换行符以外的任意字符# \n \t# ^ $ 匹配字符串的开始和结束# （）分组，是对多个字符组整体量词约束的时候调用# re模块：分组是有有优先的# fiandall# split# | 从左到右匹配，只要匹配上就不继续匹配，所以应该把长的放在前面# [^]除了字符组内的其他都匹配# 量词...

			
		

	





	

		

			

				
					
【OpenCV 例程 300篇】251. 特征匹配之暴力匹配

				
			

			

				

					youcans的博客
				

				

					12-12
					
					1万+
					
				

			

		

		

			
				
基于特征描述符的特征点匹配是通过对两幅图像的特征点集合内的关键点描述符的相似性比对来实现的。暴力匹配（Brute-force matcher）是最简单的二维特征点匹配方法。
在OpenCV中提供了cv::BFMatcher类实现暴力匹配。

			
		

	





	

		

			

				
					
Brute Force算法介绍及C++实现

				
			

			

				

					网络资源是无限的
				

				

					11-10
					
					2018
					
				

			

		

		

			
				
Brute Force算法介绍及C++实现

			
		

	





	

		

			

				
					
Brute-Force模式匹配算法

				
			

			

				

					Alex_Madison的博客
				

				

					03-25
					
					3807
					
				

			

		

		

			
				
Brute-Force算法是一种简单、直观的模式匹配算法。
其实现方式是：
设 s 是主串， t 为模式串； i 为主串当前比较字符的下标；j 为模式串当前比较字符的下标。令 i 的初值为 start，j 的初值为 0 。从主串的第 start 个字符 ( i = start ) 起和模式串的第一个字符 ( j = 0 )比较,若相等,则继续逐个比较后续字符 ( i++，j++)；否则从主串的第二个字符起重新和模式串比较( i 返回到原位置加 1， j 返回到 0 )依此类推，直至模式串t中的每一个字符依次

			
		

	





	

		

			

				
					
First, use OpenCV’s brute-force descriptor matcher (BFMatcher)

					
最新发布

				
			

			

				

					03-11
				

			

		

		

			
				
### 使用OpenCV的BFMatcher进行特征匹配

为了理解如何使用OpenCV中的`BFMatcher`（暴力匹配器）来进行特征匹配，先要了解其基本原理。暴力匹配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对象并执行匹配过程
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配对工作：
```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配，则认为这对儿是有效的；这有助于提高最终结果的质量。

#### 对匹配结果按照距离排序并绘制前十个最佳匹配项
最后一步是对得到的所有匹配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)，再到构建匹配器直至可视化输出匹配效果。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
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
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
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