資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究OpenCV Python – 使用ORB和BFmatcher匹配兩張影像的關鍵點
為了匹配兩張影像的關鍵點，我們使用ORB（Oriented FAST 和 Rotated BRIEF）來檢測和計算特徵關鍵點和描述符，並使用蠻力匹配器來匹配兩張影像中的描述符。
步驟
要使用ORB特徵檢測器和蠻力匹配器匹配兩張影像的關鍵點，您可以按照以下步驟操作：
匯入所需的庫OpenCV、Matplotlib和NumPy。確保您已經安裝了它們。
使用cv2.imread()方法讀取兩張輸入影像作為灰度影像。指定影像的完整路徑。
使用orb=cv2.ORB_create()使用預設值初始化ORB物件orb。
使用orb.detectAndCompute()檢測並計算兩張輸入影像中的關鍵點'kp1'和'kp2'以及描述符'des1'和'des2'。
建立一個BFmatcher物件，如bf = cv2.BFMatcher()，並使用此BFmatcher物件匹配描述符，如bf.match(des1, des2)。它返回匹配項。按距離順序對匹配項進行排序。
使用cv2.drawMatches()在原始輸入影像上繪製匹配項。
視覺化關鍵點匹配。
讓我們看一些使用ORB特徵檢測器和蠻力匹配器匹配兩張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
在此示例中，我們使用ORB演算法檢測兩張輸入影像的關鍵點和描述符，並使用蠻力匹配器匹配描述符。我們還繪製了最佳的50個關鍵點匹配。在此示例中，我們將flags=2傳遞給drawMatches()以繪製匹配項。
# import required libraries import numpy as np import cv2 from matplotlib import pyplot as plt # read two input images as grayscale img1 = cv2.imread('left02.jpg',0) img2 = cv2.imread('left14.jpg',0) # Initiate ORB detector orb = cv2.ORB_create() # detect and compute the keypoints and descriptors with ORB kp1, des1 = orb.detectAndCompute(img1,None) kp2, des2 = orb.detectAndCompute(img2,None) # create BFMatcher object bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) # Match descriptors. matches = bf.match(des1,des2) # print(matches) # Sort them in the order of their distance. matches = sorted(matches, key = lambda x:x.distance) # Draw first 50 matches. img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:50], None, flags=2) plt.imshow(img3),plt.show()
輸出
執行後，將產生以下輸出：
示例
在此示例中，我們使用ORB演算法檢測兩張輸入影像的關鍵點和描述符，並使用蠻力匹配器匹配描述符。我們還繪製了最佳的50個關鍵點匹配。在此示例中，我們將flags=0傳遞給drawMatches()以繪製匹配項。
# import required libraries import numpy as np import cv2 import matplotlib.pyplot as plt # read two input images as grayscale img1 = cv2.imread('left02.jpg', 0) img2 = cv2.imread('left14.jpg', 0) # Initiate ORB detector orb = cv2.ORB_create() # detect and compute the keypoints and descriptors with ORB (kp1,des1) = orb.detectAndCompute(img1, None) (kp2,des2) = orb.detectAndCompute(img2, None) # create BFMatcher object bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True) # Match descriptors. matches = bf.match(des1,des2) # Sort them in the order of their distance. Least distance is better matches = sorted(matches, key=lambda val: val.distance) # Draw first 50 matches. out = cv2.drawMatches(img1, kp1, img2, kp2, matches[:50], None, flags=0) plt.imshow(out), plt.show()
輸出
執行後，將產生以下輸出：
請注意兩個示例中輸出影像中繪製的關鍵點之間的差異。
4K+ 瀏覽量
