opencv学习——特征匹配和单应性查找图片

本文介绍了使用OpenCV进行图像处理时如何进行特征匹配和单应性查找,展示了通过cv2.drawMatches()仅显示所有内点对的结果,以及利用cv2.drawMatchesKnn()展示最匹配的前20对匹配点。

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

"""
特征匹配及查找对象
"""

import cv2
import numpy as np
import matplotlib.pylab as plt

MIN_MATCH_COUNT = 10
img1 = cv2.imread('images/111.jpg')          # queryImage
img2 = cv2.imread('images/11.jpg')          # trainImage

def SIFT():
    # Initiate SIFT detector
    sift = cv2.xfeatures2d.SIFT_create()
    # find the keypoints and descriptors with SIFT
    kp1, des1 = sift.dete
### OpenCV中的特征匹配结合显著性检验 在计算机视觉领域,特征匹配是一项关键技术,用于找到两幅或多幅图像之间的对应关系。OpenCV提供了多种方法来执行这一操作,并支持通过显著性检验提高匹配结果的质量。 #### 使用ORB进行初步特征匹配 为了展示如何在OpenCV中实施特征匹配并应用显著性检验,下面将以ORB (Oriented FAST and Rotated BRIEF)作为示例特征检测器描述符[^1]: ```python import cv2 import numpy as np def feature_matching_with_significance_test(img1, img2): # 初始化ORB检测器 orb = cv2.ORB_create() # 查找关键点描述符 kp1, des1 = orb.detectAndCompute(img1, None) kp2, des2 = orb.detectAndCompute(img2, None) # 创建BFMatcher对象 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) # 匹配描述符 matches = bf.match(des1,des2) # 按距离排序 matches = sorted(matches, key=lambda x:x.distance) return kp1, kp2, matches ``` 此代码片段展示了如何利用ORB算法获取两张图片的关键点及其对应的描述向量,并通过暴力匹配(Brute Force Matching)寻找最佳匹配对。需要注意的是,这里仅考虑了最简单的形式——即一对一的最佳匹配;而在实际应用场景下可能还需要进一步筛选以去除错误匹配。 #### 应用RANSAC进行显著性检验 为了增强匹配精度,可以引入随机抽样一致性(Random Sample Consensus,RANSAC)[^2] 来剔除异常值(outliers),从而保留那些具有统计学意义的真实匹配点对: ```python MIN_MATCH_COUNT = 10 if len(good_matches)>MIN_MATCH_COUNT: src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1,2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1,2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0) else: print("Not enough matches are found - %d/%d" %(len(good_matches), MIN_MATCH_COUNT)) matchesMask = None draw_params = dict(matchColor=(0,255,0), singlePointColor=None, matchesMask=mask.ravel().tolist(), flags=2) img3 = cv2.drawMatches(img1,kp1,img2,kp2,good_matches,None,**draw_params) plt.imshow(img3, 'gray'), plt.show() ``` 上述代码实现了基于单应矩阵(Homography Matrix) 的模型拟合过程,其中`findHomography()` 函数采用 RANSAC 算法估计源图与目标图间的变换关系,同时返回一个掩码数组表示哪些匹配被认为是有效的(inlier)。最后绘制出带有颜色标记的结果图像以便直观观察。
评论 4
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