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FLANN (快速近似最近邻库) 来实现两幅图像之间的特征匹配。SIFT 用于查找特征关键点和描述符。基于FLANN 的knn匹配器用于匹配两幅图像中的描述符。我们使用cv2.FlannBasedMatcher() 作为基于FLANN 的匹配器。

步骤

要使用SIFT特征检测器和基于FLANN的匹配器实现两幅图像之间的特征匹配，您可以按照以下步骤操作：

• 导入所需的库OpenCV、Matplotlib和NumPy。确保您已安装它们。

• 使用cv2.imread()方法读取两幅输入图像为灰度图像。指定图像的完整路径。

• 使用sift=cv2.SIFT_create()初始化具有默认值的SIFT对象。

• 使用sift.detectAndCompute()检测并计算两幅输入图像中的关键点'kp1'和'kp2'以及描述符'des1'和'des2'。

• 创建一个基于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。对匹配项应用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SIFT特征检测器和基于FLANN的匹配器匹配两幅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。

示例

在这个示例中，我们使用SIFT算法检测两幅输入图像的关键点和描述符，并使用带knn的基于FLANN的匹配器匹配描述符。我们还应用比率测试来仅查找良好的匹配项。我们还绘制关键点和匹配项。

# import required libraries
import numpy as np
import cv2
from matplotlib import pyplot as plt

# read two input images
img1 = cv2.imread('car.jpg',0)
img2 = cv2.imread('car-rotated-crop.jpg',0)

# Initiate SIFT detector
sift = cv2.SIFT_create()

# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)

# FLANN parameters
FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks=50) # or pass empty dictionary

# apply FLANN based matcher with knn
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 Lowe's paper
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()

输出

运行上述Python程序时，它将生成以下输出窗口：

Shahid Akhtar Khan

更新于：2022年12月5日

4K+ 次浏览

启动您的职业生涯

完成课程获得认证

开始