python opencv3 基于ORB的特征检测和 BF暴力匹配 knn匹配 flann匹配

git：https://github.com/linyi0604/Computer-Vision

bf暴力匹配：

 # coding:utf-8

 import cv2

 """
 orb特征检测和匹配
     两幅图片分别是 乐队的logo 和包含该logo的专辑封面
     利用orb进行检测后进行匹配两幅图片中的logo

 """
 # 按照灰度图像的方式读入两幅图片
 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)
 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

 # 创建ORB特征检测器和描述符
 orb = cv2.ORB_create()
 # 对两幅图像检测特征和描述符
 keypoint1, descriptor1 = orb.detectAndCompute(img1, None)
 keypoint2, descriptor2 = orb.detectAndCompute(img2, None)
 """
 keypoint 是一个包含若干点的列表
 descriptor 对应每个点的描述符 是一个列表， 每一项都是检测到的特征的局部图像

 检测的结果是关键点
 计算的结果是描述符

 可以根据监测点的描述符 来比较检测点的相似之处

 """
 # 获得一个暴力匹配器的对象
 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
 # 利用匹配器 匹配两个描述符的相近成都
 maches = bf.match(descriptor1, descriptor2)
 # 按照相近程度 进行排序
 maches = sorted(maches, key=lambda x: x.distance)
 # 画出匹配项
 img3 = cv2.drawMatches(img1, keypoint1, img2, keypoint2, maches[: 30], img2, flags=2)

 cv2.imshow("matches", img3)
 cv2.waitKey()
 cv2.destroyAllWindows()

knn匹配：

 # coding:utf-8

 import cv2

 # 按照灰度图像读入两张图片
 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)
 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

 # 获取特征提取器对象
 orb = cv2.ORB_create()
 # 检测关键点和特征描述
 keypoint1, desc1 = orb.detectAndCompute(img1, None)
 keypoint2, desc2 = orb.detectAndCompute(img2, None)
 """
 keypoint 是关键点的列表
 desc 检测到的特征的局部图的列表
 """
 # 获得knn检测器
 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
 matches = bf.knnMatch(desc1, desc2, k=1)
 """
 knn 匹配可以返回k个最佳的匹配项
 bf返回所有的匹配项
 """
 # 画出匹配结果
 img3 = cv2.drawMatchesKnn(img1, keypoint1, img2, keypoint2, matches, img2, flags=2)
 cv2.imshow("matches", img3)
 cv2.waitKey()
 cv2.destroyAllWindows()

FLANN匹配：

# coding:utf-8

import cv2

"""
FLANN是类似最近邻的快速匹配库
    它会根据数据本身选择最合适的算法来处理数据
    比其他搜索算法快10倍
"""
# 按照灰度图片读入
img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)
# 创建sift检测器
sift = cv2.xfeatures2d.SIFT_create()
# 查找监测点和匹配符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
"""
keypoint是检测到的特征点的列表
descriptor是检测到特征的局部图像的列表
"""
# 获取flann匹配器
FLANN_INDEX_KDTREE = 0
indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
searchParams = dict(checks=50)
flann = cv2.FlannBasedMatcher(indexParams, searchParams)
# 进行匹配
matches = flann.knnMatch(des1, des2, k=2)
# 准备空的掩膜 画好的匹配项
matchesMask = [[0, 0] for i in range(len(matches))]

for i, (m, n) in enumerate(matches):
    if m.distance < 0.7*n.distance:
        matchesMask[i] = [1, 0]

drawPrams = dict(matchColor=(0, 255, 0),
                 singlePointColor=(255, 0, 0),
                 matchesMask=matchesMask,
                 flags=0)
# 匹配结果图片
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams)

cv2.imshow("matches", img3)
cv2.waitKey()
cv2.destroyAllWindows()