如何在OpenCV Python中实现基于FLANN的特征匹配？

我们使用尺度不变特征变换（ SIFT ）和Fast Library for Approximate Nearest Neighbor（ FLANN ）来实现两个图像之间的特征匹配。使用SIFT来找到特征关键点和描述符。使用基于FLANN的KNN匹配器来匹配两个图像中的描述符。我们使用 cv2.FlannBasedMatcher() 作为基于FLANN的匹配器。

步骤

要使用尺度不变特征变换（ SIFT ）特征检测器和基于FLANN的匹配器实现两个图像之间的特征匹配，您可以按照以下步骤操作：

导入所需库 OpenCV、Matplotlib 和 NumPy 。确保您已经安装了这些库。
使用 cv2.imread() 方法读取两个灰度图像。指定图像的完整路径。
使用默认值初始化SIFT对象， sift=cv2.SIFT_create() 。
使用 sift.detectAndCompute() 在两个输入图像中检测并计算关键点’ kp1 ‘和’ kp2 ‘以及描述符’ des1 ‘和’ des2 ‘。
创建基于FLANN的匹配器对象， flann = cv2.FlannBasedMatcher() 并使用 flann.knnMatch(des1,des2,k=2) 匹配描述符。它返回匹配项。对匹配项进行比率测试以获得最佳匹配项。使用 cv2.drawMatchesKnn() 绘制匹配项。
可视化关键点匹配。

让我们来看一些使用尺度不变特征变换（ SIFT ）特征检测器和基于FLANN的匹配器匹配两个图像的关键点的示例。

输入图像

我们在下面的示例中使用以下图像作为输入文件。

如何在OpenCV Python中实现基于FLANN的特征匹配？

示例

在本例中，我们使用SIFT算法检测两个输入图像的关键点和描述符，并使用基于FLANN的匹配器和KNN匹配算法匹配描述符，同时应用比率测试以仅查找好的匹配项。我们还绘制关键点和匹配项。

# 导入所需库
import numpy as np
import cv2
from matplotlib import pyplot as plt

# 读取两张输入图像
img1 = cv2.imread('car.jpg',0)
img2 = cv2.imread('car-rotated-crop.jpg',0)

# 初始化SIFT检测器
sift = cv2.SIFT_create()

# 找到关键点和描述符
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)

# FLANN参数
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50) # 或传入空字典

# 应用基于FLANN的knn匹配器
flann = cv2.FlannBasedMatcher(index_params,search_params)
matches = flann.knnMatch(des1,des2,k=2)

# 只需绘制好的匹配项，因此创建掩码
matchesMask = [[0,0] for i in range(len(matches))]

# Lowe论文中的比率测试
for i,(m,n) in enumerate(matches):
   if m.distance < 0.1*n.distance:
      matchesMask[i]=[1,0]
draw_params = dict(matchColor = (0,255,0),singlePointColor = (255,0,0),matchesMask = matchesMask,flags = 0)
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)
plt.imshow(img3),plt.show()