二十八、python:SIFT与ORB特征匹配

视差图，相机内参数据集

Index of /stereo/data/scenes2014/zip (middlebury.edu)https://vision.middlebury.edu/stereo/data/scenes2014/zip/

1、特征匹配中match与KnnMatch返回数据类型详解

(171条消息) 【Python+OpenCV】特征点匹配之cv2.FlannBasedMatcher_18岁小白想成大牛的博客-优快云博客_flannbasedmatcherhttps://blog.youkuaiyun.com/qq_36584673/article/details/121997887

opencv特征匹配中match与KnnMatch返回数据类型_小鹿焕焕的博客-优快云博客1、match # 初始化 BFMatcher bf = cv.BFMatcher() # 对描述子进行匹配 # des1/des2分别是两幅图片特征点的特征向量 matches = bf.match(des1, des2) # 打印match返回数据的类型 print(type(matches[0]))match匹配的返回结果是DMatch类型。DMatch数据结构包含三个非常重要的数据分别是queryIdx，trainIdx，dihttps://blog.youkuaiyun.com/qq_44771627/article/details/124330671

cv2.SIFT_create().detectAndCompute()的参数：

一般是image和None， 即：
cv2.SIFT_create().detectAndCompute(image，None)

cv2.SIFT_create().detectAndCompute()的返回值：

kps, features = cv2.SIFT_create().detectAndCompute()

kps是关键点。它所包含的信息有：

angle：角度，表示关键点的方向，为了保证方向不变形，SIFT算法通过对关键点周围邻域进行梯度运算，求得该点方向。-1为初值。

class_id：当要对图片进行分类时，我们可以用class_id对每个特征点进行区分，未设定时为-1，需要靠自己设定

octave：代表是从金字塔哪一层提取的得到的数据。

pt：关键点点的坐标,是两个浮点型数据。

response：响应程度，代表该点强壮大小，更确切的说，是该点角点的程度。

size：该点直径的大小

2、特征匹配中匹配方法与结果绘制的对应关系 

import cv2 as cv
import numpy as np


def SIFT_Feature(img1, img2):
    # 初始化ORB
    # orb = cv.ORB_create()
    sift = cv.SIFT_create()
    (kp1, des1) = sift.detectAndCompute(img1, None)
    (kp2, des2) = sift.detectAndCompute(img2, None)
    # 画出关键点
    outimg1 = cv.drawKeypoints(img1, keypoints=kp1, outImage=None, color=(255, 0, 0))
    outimg2 = cv.drawKeypoints(img2, keypoints=kp2, outImage=None, color=(255, 0, 0))

    # 显示关键点
    # 对提取特征点后的图像进行横向拼接
    outimg3 = np.hstack([outimg1, outimg2])
    cv.imshow("Key