机器学习进阶-案例实战-图像全景拼接-书籍SIFT特征点连接 1.cv2.drawMatches(对两个图像的关键点进行连线操作)...

最新推荐文章于 2024-03-21 18:27:40 发布

转载最新推荐文章于 2024-03-21 18:27:40 发布 · 2.3k 阅读

5 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/my-love-is-python/p/10422152.html

文章标签：

#人工智能 #python

本文详细介绍了如何使用SIFT算法进行特征点检测与描述，并通过OpenCV实现图像匹配，包括关键点检测、特征向量计算、蛮力匹配及结果可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.cv2.drawMatches(imageA, kpsA, imageB, kpsB, matches[:10], None, flags=2) # 对两个图像关键点进行连线操作

参数说明：imageA和imageB表示图片，kpsA和kpsB表示关键点， matches表示进过cv2.BFMatcher获得的匹配的索引值，也有距离， flags表示有几个图像

书籍的SIFT特征点连接：

第一步:使用sift.detectAndComputer找出关键点和sift特征向量

第二步：构建BFMatcher()蛮力匹配器，bf.match匹配sift特征向量，使用的是欧式距离

第三步：根据匹配结果matches.distance对matches按照距离进行排序

第四步：进行画图操作，使用cv2.drawMatches进行画图操作

import cv2
import numpy as np

#读入图片
imgA = cv2.imread('box.png', 0)
imgB = cv2.imread('box_in_scene.png', 0)




def cv_show(img, name):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 第一步：构造sift，求解出特征点和sift特征向量
sift = cv2.xfeatures2d.SIFT_create()
kpsA, dpA = sift.detectAndCompute(imgA, None)
kpsB, dpB = sift.detectAndCompute(imgB, None)

# 第二步：构造BFMatcher()蛮力匹配，匹配sift特征向量距离最近对应组分
bf = cv2.BFMatcher()
# 获得匹配的结果
matches = bf.match(dpA, dpB)

#第三步：对匹配的结果按照距离进行排序操作
matches = sorted(matches, key=lambda x: x.distance)

# 第四步：使用cv2.drawMacthes进行画图操作
ret = cv2.drawMatches(imgA, kpsA, imgB, kpsB, matches[:10], None, flags=2)

cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()