如何在OpenCV Python中實現基於FLANN的特徵匹配？

我們使用尺度不變特徵變換 (SIFT) 和FLANN (快速近似最近鄰庫) 來實現兩幅影像之間的特徵匹配。SIFT 用於查詢特徵關鍵點和描述符。基於FLANN 的knn匹配器用於匹配兩幅影像中的描述符。我們使用cv2.FlannBasedMatcher() 作為基於FLANN 的匹配器。

步驟

要使用SIFT特徵檢測器和基於FLANN的匹配器實現兩幅影像之間的特徵匹配，您可以按照以下步驟操作：

  • 匯入所需的庫OpenCV、Matplotlib和NumPy。確保您已安裝它們。

  • 使用cv2.imread()方法讀取兩幅輸入影像為灰度影像。指定影像的完整路徑。

  • 使用sift=cv2.SIFT_create()初始化具有預設值的SIFT物件。

  • 使用sift.detectAndCompute()檢測並計算兩幅輸入影像中的關鍵點'kp1'和'kp2'以及描述符'des1'和'des2'。

  • 建立一個基於FLANN的匹配器物件flann = cv2.FlannBasedMatcher()，並使用flann.knnMatch(des1,des2,k=2)匹配描述符。它返回匹配項。對匹配項應用比率測試以獲得最佳匹配項。使用cv2.drawMatchesKnn()繪製匹配項。

  • 視覺化關鍵點匹配。

讓我們來看一些使用SIFT特徵檢測器和基於FLANN的匹配器匹配兩幅影像的關鍵點的示例。

輸入影像

我們在下面的示例中使用以下影像作為輸入檔案。



示例

在這個示例中，我們使用SIFT演算法檢測兩幅輸入影像的關鍵點和描述符，並使用帶knn的基於FLANN的匹配器匹配描述符。我們還應用比率測試來僅查詢良好的匹配項。我們還繪製關鍵點和匹配項。

# 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()

輸出

執行上述Python程式時，它將生成以下輸出視窗：


更新於：2022年12月5日

4K+ 次瀏覽

啟動您的職業生涯

完成課程獲得認證

開始
廣告