opencv学习——cv2.drawMatches()与cv2.drawMatchesKnn()区别

本文介绍如何使用OpenCV从两幅图像中提取特征并进行匹配,包括如何筛选匹配点对及如何绘制匹配点对连线。此外,还介绍了cv2.drawMatches()和cv2.drawMatchesKnn()函数的区别及用法。

1、提取两幅图像特征之后,画出匹配点对连线。

good = []
for m,n in matches:
     if m.distance < 0.75*n.distance:
        good.append(m)

2、区别:
cv2.drawMatches()使用的点对集good是一维的,(N,);
matchesMask是计算转换H矩阵时生成的掩模,inliers的点,最后只画出符合条件的inliers点对。

    draw_params = dict(matchColor = (0,255,0), # draw matches in green color
    singlePointColor = None,
    matchesMask = matchesMask, # draw only inliers
    flags = 2)
    img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)

或者直接使用

img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,matchesMask = matchesMask,flags=2)

cv2.drawMatchesKnn()使用的点对集good是一维的,(N,1);画出good中前几个点对连线;

good = np.expand_dims(good,1)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good[:20],None, flags=2)
### OpenCV 中实现特征值匹配的方法 #### 1. 特征检测描述 在 OpenCV 中,特征值匹配的第一步是对输入图像进行关键点检测和描述符生成。常用的算法包括 SIFT、SURF 和 ORB 等。 - **SIFT (Scale-Invariant Feature Transform)** 是一种经典的特征检测算法,它具有尺度和旋转不变性以及光照鲁棒性[^4]。然而,由于其计算复杂度较高且存在专利问题,在实际应用中可能受到一定限制。 - **ORB (Oriented FAST and Rotated BRIEF)** 是一种快速高效的替代方案,适合实时场景下的特征匹配需求[^3]。 以下是基于 SIFT 的关键点检测代码示例: ```python import cv2 # 加载图像并转换为灰度图 img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE) img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE) # 创建 SIFT 对象 sift = cv2.SIFT_create() # 检测关键点并计算描述符 kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) ``` --- #### 2. 特征匹配器的选择 OpenCV 提供了多种方式来进行特征匹配,主要包括暴力匹配(Brute Force Matcher)和 FLANN 基于近似最近邻的高效匹配方法。 - **BFMatcher**: 使用蛮力搜索的方式逐一比较两个描述符集合中的每一对点,适用于小型数据集或简单任务[^3]。 - **FLANN**: 更加高效,尤其当处理大规模数据时表现出色。通过设置索引参数和搜索参数可进一步优化性能[^1]。 下面展示了一个使用 `FlannBasedMatcher` 实现 KNN 匹配的例子: ```python # 配置 FLANN 参数 index_params = dict(algorithm=1, trees=5) # KDTree 算法 search_params = dict(checks=50) # 设置检查次数 flann = cv2.FlannBasedMatcher(index_params, search_params) # 执行 knnMatch 获取前 k 个最佳匹配项 matches = flann.knnMatch(des1, des2, k=2) ``` 为了提高精度,可以通过 Lowe's ratio test 来筛选高质量匹配对: ```python good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: # 如果第一个邻居的距离小于第二个邻居距离的 0.7,则保留此匹配 good_matches.append(m) ``` --- #### 3. 结果可视化 完成匹配后,可以调用函数将结果绘制成直观形式以便观察效果。 - 单一匹配显示:`cv2.drawMatches()` 显示单次最优匹配连线; - 多重匹配显示:`cv2.drawMatchesKnn()` 支持同时呈现多个候选匹配路径。 具体实现如下所示: ```python # 绘制匹配点 result_img = cv2.drawMatches( img1, kp1, img2, kp2, good_matches[:10], # 展示最好的十个匹配 None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS ) # 输出最终效果图 cv2.imshow('Feature Matches', result_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- #### 4. 进一步处理 —— 几何验证 对于某些高级用途而言,仅依靠简单的特征匹配不足以满足精确要求。此时需引入几何约束模型如 RANSAC 方法估计变换矩阵 $H$ 或基础矩阵 $F$ ,剔除异常值影响[^2]。 例如寻找透视变换关系可通过以下步骤达成: ```python src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) inliers_mask = mask.ravel().tolist() h, w = img1.shape pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2) dst = cv2.perspectiveTransform(pts, M) img2 = cv2.polylines(img2, [np.int32(dst)], True, 255, 3, cv2.LINE_AA) ``` --- ### 总结 以上介绍了完整的流程从特征提取到匹配再到最后的结果展现,并附加了几种改进措施确保匹配质量更优。希望这些内容对你有所帮助!
评论 16
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