opencv 30.Brute-Force匹配器

Brute-Force匹配器很简单，它取第一个集合里一个特征的描述子并用第二个集合里所有其他的特征和他通过一些距离计算进行匹配。最近的返回。

对于BF匹配器，我们首先要使用cv.BFMatcher()创建一个BFMatcher对象。它有两个可选参数。

第一个是normType，它用来指定要使用的距离测试类型。
默认值为cv.NORM_L2,这个类型很适合SIFT和SURF等（cv.NORM_L1也可以）。对于使用二进制描述符的ORB,BRIEF,BRISK算法等，要使用cv.NORM_HAMMING，这样就会返回两个测试对象间的汉明距离。如果ORB算法的参数设置为MTA_K==3或4，normType就应该设置为cv.NORM_HAMMING2。

第二个参数是布尔变量corssCheck，默认值为False。如果设置为True，匹配条件就会更加严格，只有到A中的第i个特征点与B中的第j个特征点距离最近，并且B中的第j个特征点到A中的第i个特征点也是最近（A中没有其他的点到j的距离最近）时才会返回最佳匹配（i, j）。也就是这两个特征点要互相匹配才行。这样就能提供统一的结果，这可以用来代替D.Lowe在SIFT文章中提出的比值测试方法。

BFMatcher对象有两个方法，bf.match()和bf.knnMatch()。第一个方法会返回最佳匹配。第二个方法为每个关键点返回k个匹配（降序排列之后取前K个），其中K是由用户设定的。结果出了匹配之外还要做其他事情的话可能会用上（比如进行比值测试）。
返回对象是一个DMatch对象列表。这个DMatch对象具有下列属性：
1、DMatch.distance - 描述符之间的距离。越小越好。
2、DMatch.trainIdx- 目标图像中描述符的索引。
3、DMatch.queryIdx - 查询图像中描述符的索引。
4、DMatch.imgIdx - 目标图像的索引。

就像使用cv.drawKeyPoints()绘制关键点一样，我们使用cv.drawMatches()来绘制匹配的点。它会将两幅图像水平排列，然后在最近匹配的点之间绘制直线（从原图像到目标图像）。如果前面使用的是bf.knnMatch()，就使用函数cv.drawMatchsKnn()为每个关键点和它的K个最佳匹配点绘制匹配线。如果k等于2，就会为每个关键点绘制2条最佳匹配直线。如果我们要选择性绘制的话就给函数传入一个掩模。

//28 brute-force暴力匹配
void StartOp2::ImageProcess2_28()
{
	Mat img1 = imread("../../Images/22.jpg", IMREAD_GRAYSCALE);
	Mat img2 = imread("../../Images/23.jpg", IMREAD_GRAYSCALE);
	if (!img1.data || !img2.data) {

	}
	imshow("image1", img1);
	imshow("image2", img2);

	int minHessian = 400;
	Ptr<SURF> detector = SURF::create(minHessian);
	vector<KeyPoint> keypoints_1;
	vector<KeyPoint> keypoints_2;

	Mat descriptor_1, descriptor_2;
	detector->detectAndCompute(img1, Mat(), keypoints_1, descriptor_1);
	detector->detectAndCompute(img2, Mat(), keypoints_2, descriptor_2);

	BFMatcher matcher(NORM_L2);
	vector<DMatch> matches;
	matcher.match(descriptor_1, descriptor_2, matches);

	Mat matchesImg;
	drawMatches(img1, keypoints_1, img2, keypoints_2, matches, matchesImg);
	imshow("Descriptor Demo", matchesImg);

}

参考博客：
https://blog.youkuaiyun.com/qq_36387683/article/details/80577737