Brute-Force蛮力匹配

得到的特征向量一个一个比，看哪两个特征向量离得最近，就应该是最相似的。

kp1, des1 = sift.detectAndCompute()函数有两个返回值，第一个返回值是特征点的坐标，第二个返回值是特征向量。
cv2.BFMatcher（）的参数：第一个参数表示使用的测量距离，这里使用的是欧氏距离，为默认值，而且默认使用NORM_L2来归一化数组的欧氏距离。第二个参数是一个布尔值，默认为Faulse，本例中crossCheck为True，即两张图像中的特征点必须互相都是唯一选择，例如A中的第i个特征点与B中的第j个特征点最近的，并且B中的第j个特征点到A中的第i个特征点也是

import cv2
import numpy as np
import matplotlib.pyplot as plt

img1=cv2.imread('E:/OpenCV/image/1shu.png',0)#灰度图
img2=cv2.imread('E:/OpenCV/image/2shu.png',0)#灰度图

def cv_show(name,img):
    cv2.imshow('name',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

cv_show('img1',img1)
cv_show('img2',img2)

sift=cv2.xfeatures2d.SIFT_create()

kp1,des1=sift.detectAndCompute(img1,None)#检测关键点并计算特征向量(des)
kp2,des2=sift.detectAndCompute(img1,None)

#crossCheck表示两个特征点要互相匹，例如A中的第i个特征点与B中的第j个特征点最近的，并且B中的第j个特征点到A中的第i个特征点也是
#NORM_L2：归一化数组的（欧几里得距离），如果其他特征计算方法需要考虑不同的匹配计算方式。
bf=cv2.BFMatcher(crossCheck=True)#BF：蛮力匹配的缩写

1对1的匹配

distance：表示一对匹配的特征点的欧式距离，数值越小说明俩个特征点越相近。
cv2.drawMatches(img1, kp1, img2, kp2, matches_10[:10], None, flags=2)：对图像的关键点进行连线操作。

matches=bf.match(des1,des2)
matches=sorted(matches,key=lambda x:x.distance)#排个序：最接近的、第二接近的、第三……

img3=cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=2)#把关键点连在一起

cv_show('img3',img3)

k对最佳匹配

bf=cv2.BFMatcher()#特征匹配算法
matches=bf.knnMatch(des1,des2,k=2)#第一张图中的点对应第二张图中两个特征点

good=[]
for m,n in matches:
    if m.distance<0.75*n.distance:#过滤：这里m, n分别表示两个特征点，如果两个特征点distance比值小于0.75，则保留该特征匹配点。
        good.append([m])

img3=cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)#对图像的关键点进行连线操作。

cv_show('img3',img3)

如果需要更快速完成操作，可以尝试使用cv2.FlannBasedMatcher

随机抽样一致算法（Random sanple consensus,RANSAC）

选择初始样本点进行拟合，给定一个容忍范围，不断进行迭代

每一次拟合后，容差范围内都有对应的数据点数，找出数据点个数最多的情况，就是最终的拟合成果

单应性矩阵

对图像的投影变换
最后一个值设为一，因为这样归一化好做
8个值需要8个方程，需要四对点，（x，y）可以构成两个方程
为防止取到错误点，需要用RANSAC先过滤

实战演练：图像拼接方法

提取图像特征，需要关键点（sift）
对某一张图求H矩阵，得到对应结果
拼接在一起

pycharm运行代码

ImageStiching.py

from Stitcher import Stitcher
import cv2


def resize(img):
    height, width = img.shape[:2]
    size = (int(width*0.4), int(height*0.4))
    img_resize = cv2.resize(img, size, interpolation=cv2.INTER_AREA)
    return img_resize
# 读取拼接图片
imageA = cv2.imread("bag_1.jpg")
imageB = cv2.imread("bag_2.jpg")

a = resize(imageA)
b = resize(imageB)
# 把图片拼接成全景图
stitcher = Stitcher()
(result, vis) = stitcher.stitch([a, b], showMatches=True)

# 显示所有图片
cv2.imshow("Image A", a)
cv2.imshow("Image B", b)
cv2.imshow("Keypoint Matches", vis)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

Stitcher.py

import numpy as np
import cv2


class Stitcher:

    # 拼接函数
    def stitch(self, images, ratio=0.75, reprojThresh=4.0, showMatches=False):
        # 获取输入图片
        (imageB, imageA) = images
        # 检测A、B图片的SIFT关键特征点，并计算特征描述子
        (kpsA, featuresA) = self.detectAndDescribe(imageA)
        (kpsB, featuresB) = self.detectAndDescribe(imageB)
        print("kpsA, featuresA", (kpsA, featuresA))
        # 匹配两张图片的所有特征点，返回匹配结果
        M = self.matchKeypoints(kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh)
        print("M", M)
        # 如果返回结果为空，没有匹配成功的特征点，退出算法
        if M is None:
            return None

        # 否则，提取匹配结果
        # H是3x3视角变换矩阵
        (matches, H, status) = M
        # 将图片A进行视角变换，result是变换后图片
        result = cv2.warpPerspective(imageA, H, (imageA.shape[1] + imageB.shape[1], imageA.shape[0]))
        self.cv_show('result', result)
        # 将图片B传入result图片最左端
        result[0:imageB.shape[0], 0:imageB.shape[1]] = imageB
        self.cv_show('result', result)
        # 检测是否需要显示图片匹配
        if showMatches:
            # 生成匹配图片
            vis = self.drawMatches(imageA, imageB, kpsA, kpsB, matches, status)
            # 返回结果
            return (result, vis)

        # 返回匹配结果
        return result

    def cv_show(self, name, img):
        cv2.imshow(name, img)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

    def detectAndDescribe(self, image):
        # 将彩色图片转换成灰度图
        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

        # 建立SIFT生成器
        descriptor = cv2.xfeatures2d.SIFT_create()
        # 检测SIFT特征点，并计算描述子
        (kps, features) = descriptor.detectAndCompute(image, None)

        # 将结果转换成NumPy数组，即用数组来表示特征点的坐标。
        kps = np.float32([kp.pt for kp in kps])

        # 返回特征点集，及对应的描述特征
        return (kps, features)

    def matchKeypoints(self, kpsA, kpsB, featuresA, featuresB, ratio, reprojThresh):
        # 建立暴力匹配器
        matcher = cv2.BFMatcher()

        # 使用KNN检测来自A、B图的SIFT特征匹配对，K=2
        rawMatches = matcher.knnMatch(featuresA, featuresB, 2)

        matches = []
        for m in rawMatches:
            # 当最近距离跟次近距离的比值小于ratio值时，保留此匹配对
            if len(m) == 2 and m[0].distance < m[1].distance * ratio:
                # 存储两个点在featuresA, featuresB中的索引值
                matches.append((m[0].trainIdx, m[0].queryIdx))

        # 当筛选后的匹配对大于4时，计算视角变换矩阵
        if len(matches) > 4:
            # 获取匹配对的点坐标
            ptsA = np.float32([kpsA[i] for (_, i) in matches])
            ptsB = np.float32([kpsB[i] for (i, _) in matches])

            # 计算视角变换矩阵
            (H, status) = cv2.findHomography(ptsA, ptsB, cv2.RANSAC, reprojThresh)

            # 返回结果
            return (matches, H, status)

        # 如果匹配对小于4时，返回None
        return None

    def drawMatches(self, imageA, imageB, kpsA, kpsB, matches, status):
        # 初始化可视化图片，将A、B图左右连接到一起
        (hA, wA) = imageA.shape[:2]
        (hB, wB) = imageB.shape[:2]
        vis = np.zeros((max(hA, hB), wA + wB, 3), dtype="uint8")
        vis[0:hA, 0:wA] = imageA
        vis[0:hB, wA:] = imageB

        # 联合遍历，画出匹配对
        for ((trainIdx, queryIdx), s) in zip(matches, status):
            # 当点对匹配成功时，画到可视化图上
            if s == 1:
                # 画出匹配对
                ptA = (int(kpsA[queryIdx][0]), int(kpsA[queryIdx][1]))
                ptB = (int(kpsB[trainIdx][0]) + wA, int(kpsB[trainIdx][1]))
                cv2.line(vis, ptA, ptB, (0, 234, 0), 1)

        # 返回可视化结果
        return vis

具体解读步骤可看：全景图拼接特征匹配附代码_shuyeah的博客-CSDN博客_将地图点位与全景图匹配的代码