您好,登錄后才能下訂單哦!
我就廢話不多說,直接上代碼吧!
# -*- coding: utf-8 -*- import cv2 import numpy as np from find_obj import filter_matches,explore_match from matplotlib import pyplot as plt def getSift(): ''' 得到并查看sift特征 ''' img_path2 = '../../data/home.jpg' #讀取圖像 img = cv2.imread(img_path2) #轉(zhuǎn)換為灰度圖 gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #創(chuàng)建sift的類 sift = cv2.SIFT() #在圖像中找到關(guān)鍵點 也可以一步計算#kp, des = sift.detectAndCompute kp = sift.detect(gray,None) print type(kp),type(kp[0]) #Keypoint數(shù)據(jù)類型分析 http://www.cnblogs.com/cj695/p/4041399.html print kp[0].pt #計算每個點的sift des = sift.compute(gray,kp) print type(kp),type(des) #des[0]為關(guān)鍵點的list,des[1]為特征向量的矩陣 print type(des[0]), type(des[1]) print des[0],des[1] #可以看出共有885個sift特征,每個特征為128維 print des[1].shape #在灰度圖中畫出這些點 img=cv2.drawKeypoints(gray,kp) #cv2.imwrite('sift_keypoints.jpg',img) plt.imshow(img),plt.show() def matchSift(): ''' 匹配sift特征 ''' img1 = cv2.imread('../../data/box.png', 0) # queryImage img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage sift = cv2.SIFT() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # 蠻力匹配算法,有兩個參數(shù),距離度量(L2(default),L1),是否交叉匹配(默認false) bf = cv2.BFMatcher() #返回k個最佳匹配 matches = bf.knnMatch(des1, des2, k=2) # cv2.drawMatchesKnn expects list of lists as matches. #opencv2.4.13沒有drawMatchesKnn函數(shù),需要將opencv2.4.13\sources\samples\python2下的common.py和find_obj文件放入當(dāng)前目錄,并導(dǎo)入 p1, p2, kp_pairs = filter_matches(kp1, kp2, matches) explore_match('find_obj', img1, img2, kp_pairs) # cv2 shows image cv2.waitKey() cv2.destroyAllWindows() def matchSift3(): ''' 匹配sift特征 ''' img1 = cv2.imread('../../data/box.png', 0) # queryImage img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage sift = cv2.SIFT() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) # 蠻力匹配算法,有兩個參數(shù),距離度量(L2(default),L1),是否交叉匹配(默認false) bf = cv2.BFMatcher() #返回k個最佳匹配 matches = bf.knnMatch(des1, des2, k=2) # cv2.drawMatchesKnn expects list of lists as matches. #opencv3.0有drawMatchesKnn函數(shù) # Apply ratio test # 比值測試,首先獲取與A 距離最近的點B(最近)和C(次近),只有當(dāng)B/C # 小于閾值時(0.75)才被認為是匹配,因為假設(shè)匹配是一一對應(yīng)的,真正的匹配的理想距離為0 good = [] for m, n in matches: if m.distance < 0.75 * n.distance: good.append([m]) img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2) cv2.drawm plt.imshow(img3), plt.show() matchSift()
以上這篇opencv-python 提取sift特征并匹配的實例就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。