python OpenCV實現影象特徵匹配範例詳解

2023-09-07 18:00:35

目標

在本章中，將學習：

如何將一個影象中的特徵與其他影象進行匹配
在OpenCV中使用Brute-Force匹配器和FLANN匹配器

Brute-Force匹配器的基礎

暴力匹配器很簡單。它使用第一組中一個特徵的描述符，並使用一些距離計算將其與第二組中的所有其他特徵匹配。並返回最接近的一個。對於BF匹配器，首先必須使cv.BFMatcher() 建立BFMatcher物件。它需要兩個可選引數:

第一個引數是normType，它指定要使用的距離測量。預設情況下為 cv2.NORM_L2 。對於SIFT, SURF等（也有 cv2.NORM_L1）很有用。對於基於二進位制字串的描述符，例如ORB，BRIEF，BRISK等，應使用cv2.NORM_HAMMING ，該函數使用漢明距離作為度量。如果ORB使用WTA_K == 3或 4，則應使用 cv.NORM_HAMMING2。
第二個引數是布林變數，即crossCheck，預設情況下為false。如果為true，則Matcher僅返回具有值(i，j)(i，j)(i，j)的那些匹配項，以使集合A中的第i個描述符具有集合B中的第j個描述符為最佳匹配，反之亦然。即兩組中的兩個特徵應彼此匹配。它提供了一致的結果，並且是D.Lowe在SIFT論文中提出的比率測試的良好替代方案。建立之後，兩個重要的方法是
BFMatcher.match(): 返回最佳匹配
BFMatcher.knnMatch() : 返回k個最佳匹配，其中k由使用者指定。當需要對此做其他工作時，它可能會很有用。就像使用cv.drawKeypoints()繪製關鍵點一樣，cv.drawMatches()可以幫助繪製出匹配項。它水平堆疊兩張影象，並繪製從第一張影象到第二張影象的線，以顯示最佳匹配。還有

cv.drawMatchesKnn繪製所有k個最佳匹配。如果 k=2 ，它將為每個關鍵點繪製兩條匹配線。因此，如果要選擇性地繪製，則必須通過掩碼。 下面來看一個SIFT和ORB的範例（兩者都使用不同的距離測量）。

使用ORB描述符進行Brute-Force匹配

下面將看到一個有關如何在兩個影象之間匹配特徵的簡單範例。在這種情況下，有一個queryImage和trainImage。將嘗試使用特徵匹配在trainImage中找到queryImage。（影象是/samples/data/box.png和/samples/data/box_in_scene.png）影象素材可以去github上找github.com/opencv/open…

使用ORB描述符來匹配特徵。因此，從載入影象，查詢描述符等開始。之後建立一個距離測量值為cv2.NORM_HAMMING的BFMatcher物件（因為使用的是ORB），並且啟用了CrossCheck以獲得更好的結果。然後，使用Matcher.match()方法來獲取兩個影象中的最佳匹配。按照距離的升序對它們進行排序，以使最佳匹配（低距離）排在前面。然後我們只抽出前10的匹配（只是為了提高可見度。您可以根據需要增加它）

# create bfmatcher object
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# match descriptors
matches = bf.match(des1, des2)
# sort them in the order of their distance
matches = sorted(matches, key=lambda x: x.distance)
# draw first 10 matches
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
plt.imshow(img3)
plt.show()

結果如下：

什麼是Matcher物件？

matchs = bf.match(des1,des2) 的結果DMatch物件的列表。該DMatch物件具有以下屬性：

DMatch.distance-描述符之間的距離，越低越好
DMatch.trainIdx-train描述符中的描述符索引
DMatch.queryIdx-query描述符中的描述符索引
DMatch.imgIdx-train 影象的索引。

帶有SIFT描述符和比例測試的Brute-Force匹配

這次，將使用BFMatcher.knnMatch()獲得k個最佳匹配。在此範例中，將k = 2，以便可以應用D.Lowe在他的論文中闡述的比例測試。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('box2.png', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('box_in_scene.png', cv2.IMREAD_GRAYSCALE)
# initate sift detector
sift = cv2.xfeatures2d.SIFT_create()
# find teh keypoints and descriptors with sift
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# BFMatcher with default params
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
# apply ratio test
good = []
for m, n in matches:
    if m.distance &lt; 0.75 * n.distance:
        good.append([m])
# cv.drawMatchsKnn expects list of lists as matches.
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
plt.imshow(img3)
plt.show()

檢視以下結果：

基於匹配器的FLANN

FLANN是近似最近鄰的快速庫。它包含一組演演算法，這些演演算法針對大型資料集中的快速最近鄰搜尋和高維特徵進行了優化。 對於大型資料集，它的執行速度比BFMatcher快。我們將看到第二個基於FLANN的匹配器範例。 對於基於FLANN的匹配器，需要傳遞兩個字典，這些字典指定要使用的演演算法，其相關引數等。

第一個是IndexParams。對於各種演演算法，要傳遞的資訊在FLANN檔案中進行了說明。概括來說，對於SIFT，SURF等演演算法，可以通過以下操作：

FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)

當使用ORB時，可以參考下面。根據檔案建議使用帶註釋的值，但在某些情況下未提供必需的引數。其他值也可以正常工作。

 FLANN_INDEX_LSH = 6
 index_params = dict(
 	algorithm=FLANN_INDEX_LSH,
 	table_number=6,
 	key_size=12,
 	multi_probe_level=1)

第二個字典是SearchParams，它指定索引中的樹應遞迴遍歷的次數。 較高的值可提供更好的精度，但也需要更多時間。如果要更改值，請傳遞 search_params = dict(checks = 100) 有了這些資訊，就很容易。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('box2.png', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('box_in_scene.png', cv2.IMREAD_GRAYSCALE)
# initiate sift detector
sift = cv2.xfeatures2d.SIFT_create()
# find the keypoints and descriptors with sift
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# FLANN params
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)
# need to draw only good matches, so create a mask
matchesMask = [[0,0] for i in range(len(matches))]
# ratio test as per low's papre
for i, (m, n) in enumerate(matches):
    if m.distance &lt; 0.7*n.distance:
        matchesMask[i] = [1, 0]
# draw
darw_params = dict(
    matchColor=(0, 255, 0),
    singlePointColor=(255, 0, 0),
    matchesMask=matchesMask,
    flags=cv2.DrawMatchesFlags_DEFAULT)
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **darw_params)
plt.imshow(img3)
plt.show()

檢視以下結果

附加資源

以上就是python OpenCV實現影象特徵匹配範例詳解的詳細內容，更多關於python OpenCV影象特徵匹配的資料請關注it145.com其它相關文章！