cv2 orb 图像拼接_OpenCV图像处理- 特征点检测、描述子匹配-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_39668898/article/details/112197118

本文详细介绍了ORB（Oriented Fast and Rotated BRIEF）和SIFT特征检测算法，包括它们的概述、函数用法和示例代码。同时，讨论了特征描述子匹配，包括BRIEF、暴力匹配、KNN匹配和FLANN匹配，并给出了基于描述子匹配的已知对象定位方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ORB 特征关键点检测

概述

✔️ ORB - (Oriented Fast and Rotated BRIEF)算法是基于FAST特征检测与BRIEF特征描述子匹配实现。

✔️ 相比BRIEF算法中依靠随机方式获取而值点对，ORB通过FAST方法，FAST方式寻找候选特征点方式是假设灰度图像像素点A周围的像素存在连续大于或者小于A的灰度值，选择任意一个像素点P，假设半径为3，周围16个像素表示，如下图：

如上图，像素点P被标记为候选特征点、通常N取值为9、12，上图N=9。
为了简化计算，我们可以只计算1、9、5、13四个点，至少其中三个点满足上述不等式条件，即可将P视为候选点。
通过阈值进行最终的筛选即可得到ORB特征点。

函数

orb = cv2.ORB_create(
    nfeatures = 500,
    scaleFactor = 1.2f,
    nlevels = 8,
    edgeThreshold = 31,
    firstLevel = 0,
    WTA_K = 2,
    scoreType = HARRIS_SCORE,
    patchSize = 31,
    fastThreshold = 20 )

输入

nfeatures --> 最终输出最大特征点数目；
scaleFactor --> 金字塔图像上采样比率；
nlevels --> 高斯金字塔层数；
edgeThreshold --> 边缘阈值；
firstLevel= 0 --> 指定第一层的索引值；
WTA_K --> 这个是跟BRIEF描述子用的；
scoreType --> 对所有的特征点进行排名用的方法；
patchSize --> 用于计算BRIEF描述子的特征点领域大小。

示例代码

import cv2 as cv
import numpy as np

src = cv.imread("test.jpg")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
# 创建orb检测器
orb = cv.ORB_create()
kps = orb.detect(src)
# -1表示随机颜色
result = cv.drawKeypoints(src, kps, None, -1, cv.DrawMatchesFlags_DEFAULT)
cv.imshow("result", result)
cv.imwrite('orb_result.jpg', result)
cv.waitKey(0)
cv.destroyAllWindows()

ORB_result

SIFT 特征关键点检测

概述

✔️ SIFT特征是非常稳定的图像特征，在图像搜索、特征匹配、图像分类检测等方面应用十分广泛，但是它的缺点也是非常明显，就是计算量比较大，很难实时，所以对一些实时