OpenCV Python – 使用 ORB 和 BFmatcher 匹配两幅图像的关键点

opencvpythonserver side programmingprogramming

为了匹配两幅图像的关键点，我们使用 ORB(Oriented FAST 和 Rotated BRIEF)来检测和计算特征关键点和描述符，并使用 Brute Force 匹配器来匹配两幅图像中的描述符。

步骤

要使用 ORB 特征检测器和 Brute Force 匹配器匹配两幅图像的关键点，您可以按照以下步骤操作 -

导入所需的库 OpenCV、Matplotlib 和 NumPy。确保您已经安装了它们。
使用 cv2.imread() 方法将两幅输入图像读取为灰度图像。指定图像的完整路径。
使用 orb=cv2.ORB_create() 以默认值启动 ORB 对象 orb。
使用 orb.detectAndCompute() 检测并计算两个输入图像中的关键点 'kp1' 和 'kp2' 以及描述符 'des1' 和 'des2'。
创建一个 BFmatcher 对象作为 bf = cv2.BFMatcher()，并使用此 BFmatcher 对象匹配描述符作为 bf.match(des1, des2)。 它返回匹配项。按距离对匹配项进行排序。
使用 cv2.drawMatches() 在原始输入图像上绘制匹配项。
可视化关键点匹配项。

让我们看一些使用 ORB 特征检测器和 Brute Force 匹配器匹配两幅图像关键点的示例。

输入图像

我们在以下示例中使用以下图像作为输入文件。

示例

在此示例中，我们使用 ORB 算法检测两个输入图像的关键点和描述符，并使用 Brute Force 匹配器匹配描述符。我们还绘制了最佳的 50 个关键点匹配。在此示例中，我们将 flags=2 传递给 drawMatches() 以绘制匹配。


# 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()

输出

执行时，它将产生以下输出 −

示例

在此示例中，我们使用 ORB 算法检测两个输入图像的关键点和描述符，并使用 Brute Force 匹配器匹配描述符。我们还绘制了最佳的 50 个关键点匹配。在此示例中，我们将 flags=0 传递给 drawMatches() 以绘制匹配。


# 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()