在OpenCV里使用特征匹配和单映射变换

本文链接： https://blog.csdn.net/caimouse/article/details/102686488

前面已经学习特征查找和对应匹配，接着下来在特征匹配之后，再使用findHomography函数来找出对应图像的投影矩阵。首先使用一个查询图片，然后在另外一张图片里找到目标对象，其实就是想在图片里查找所需要目标的一部分区域。为了实现这样的功能，需要使用calib3d库里的一个函数cv.findHomography()，把从两张图片里找到的特征点当作参数，传送给这个函数，然后这个函数返回一个投影变换矩阵，我们就可以使用 cv.perspectiveTransform()函数来对查找的目标进行投影，这样就可以在复杂图片里标记出相应的目标位置。

我们已经看到，在匹配时可能会有一些错误，这可能会影响结果。为了解决这个问题，需要使用RANSAC 或 LEAST_MEDIAN算法。所以提供正确估计的良好匹配称为内聚，其余的称为外联。cv.findHomography()函数返回一个值表示内聚还是外联的点。

在例子里，先使用ORB来寻找两个图片的特征点，接着根据设置条件为10个匹配特征，如果满足就会计算投影变换矩阵，一旦获得3x3的矩阵，就可以把寻找的目标对象在图片里标记出来。最后在复杂的图片里用白色线条标记出来。

参数详解：

srcPoints 源平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector<Point2f>类型

dstPoints 目标平面中点的坐标矩阵，可以是CV_32FC2类型，也可以是vector<Point2f>类型

method 计算单应矩阵所使用的方法。不同的方法对应不同的参数，具体如下：

0 - 利用所有点的常规方法

RANSAC - RANSAC-基于RANSAC的鲁棒算法

LMEDS - 最小中值鲁棒算法

RHO - PROSAC-基于PROSAC的鲁棒算法

ransacReprojThreshold

将点对视为内点的最大允许重投影错误阈值（仅用于RANSAC和RHO方法）。如果

则点被认为是个外点（即错误匹配点对）。若srcPoints和dstPoints是以像素为单位的，则该参数通常设置在1到10的范围内。

mask

可选输出掩码矩阵，通常由鲁棒算法（RANSAC或LMEDS）设置。请注意，输入掩码矩阵是不需要设置的。

maxIters RANSAC算法的最大迭代次数，默认值为2000。

confidence 可信度值，取值范围为0到1.

该函数能够找到并返回源平面和目标平面之间的转换矩阵H，以便于反向投影错误率达到最小。

演示使用的例子如下：

#python 3.7.4,opencv4.1
#蔡军生 https://blog.csdn.net/caimouse/article/details/51749579
#
import numpy as np
import cv2
from matplotlib import pyplot as plt

MIN_MATCH_COUNT = 10

#读取文件
img1 = cv2.imread('rmb3.png')
img2 = cv2.imread('rmb4.png')

#初始化ORB检测器
orb = cv2.ORB_create()

#用ORB查找关键点
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)

# FLANN参数
FLANN_INDEX_LSH = 6
index_params = dict(algorithm = FLANN_INDEX_LSH,
                    table_number = 6, 
                    key_size = 12,     
                    multi_probe_level = 1)
search_params = dict(checks=50)   #或者使用一个空的字典
flann = cv2.FlannBasedMatcher(index_params,search_params)

matches = flann.knnMatch(des1,des2,k=2)

# 比率
good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append(m)
if len(good)>MIN_MATCH_COUNT:
    src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
    dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
    #找到投影变换矩阵
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
    matchesMask = mask.ravel().tolist()
    #进行投影变换
    h,w,d = img1.shape
    pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts,M)
    #画变换后的外形
    img2 = cv2.polylines(img2,[np.int32(dst)],True,(255,255,255),3, cv2.LINE_AA)

else:
    print( "Not enough matches are found - {}/{}".format(len(good), MIN_MATCH_COUNT) )
    matchesMask = Non

draw_params = dict(matchColor = (0,255,0), # draw matches in green color
                   singlePointColor = None,
                   matchesMask = matchesMask, # draw only inliers
                   flags = 2)

img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)

#显示图片
cv2.imshow('img3',img3)
           
cv2.waitKey(0)
cv2.destroyAllWindows()

结果输出如下：

https://blog.csdn.net/caimouse/article/details/51749579

在OpenCV里使用特征匹配和单映射变换

猜你喜欢