Brute-Force(暴力)匹配+SIFT算法进行特征点的匹配(附代码)

一、Brute-Force(暴力)匹配

首先在第一幅图像选取一个特征点，然后依次与第二个图像中的特征点进行(描述符)距离测试，最后返回距离最近的特征点。

---

二、对于暴力匹配，首先使用opencv中cv2.BFMatcher()函数进行特征点的匹配，其有两个参数

1. 第一个参数normType，用来指定要使用的距离测试类型，默认值为cv2.Norm_L2，很适合用于SIFT 和 SURF算法；                                                对于二进制描述符的ORB、BRIEF和BRISK算法，则使用cv2.NORM_HAMMING；
2. 第二个参数是布尔变量crossCheck，默认值为 False。如果设置为True，匹配条件就会更加严格，只有到 A 中的第 i 个特征点与 B 中的第 j 个特征点距离最近，并且 B 中的第 j 个特征点到 A 中的第 i 个特征点也是最近时才会返回最佳匹配(i，j)
    

三、BFMatcher 具有两个方法BFMatcher.match() 和 BFMatcher.knnMatch()。

1. 第一个方法BFMatcher.match() 会返回最佳匹配。其返回值是一个DMatch对象列表，这个对象列表具有如下属性：

DMatch.distance - 描述符之间的距离，越小越好。

DMatch.trainIdx - 目标图像中描述符的索引。

DMatch.queryIdx - 原图像中描述符的索引。

DMatch.imgIdx - 目标图像的索引。

      2. 第二个方法BFMatcher.knnMatch()为每个特征点返回 k 个最佳匹配，(降序排列之后取前 k 个，其中 k 是由用户决定的）。

---

和cv2.drawKeypoints() 绘制特征点一样，可以使用cv2.drawMatches() 来绘制匹配的点。它会将两幅图像先水平排列，然后在最佳匹配的点之间绘制直线。如果前面使用的是 BFMatcher.knnMatch()方法，则使用函数 cv2.drawMatchsKnn()为每个特征点和它的 k 个最佳匹配点绘制匹配线。如果 k 等于 2，就会为每个特征点点绘制两条最佳匹䫼直线。

---

四、具体使用SIFT算法进行暴力匹配步骤：

1. 首先，利用sift.detectAndCompute()函数找到特征点，计算描述符；
2. 其次，创建暴力匹配对象，cv2.BFMatcher()；
3. 然后，使用Matcher.knnMatch()获得两幅图像的K个最佳匹配；
4. 接着，获得的K个最佳匹配中取出来第一个和第二个，进行比值，比值小于0.75，则为好的匹配点；
5. 最后，采用cv2.drawMatches()函数，在最佳匹配的点之间绘制直线。

具体代码如下所示：

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from matplotlib import pyplot as plt

img1 = cv2.imread('shu1.jpg', 0)
img2 = cv2.imread('shu2.jpg', 0)

sift = cv2.xfeatures2d.SIFT_create()

kp1, des1 = sift.detectAndCompute(img1,None)#利用sift.detectAndCompute()函数找到特征点，计算描述符；
kp2, des2 = sift.detectAndCompute(img2,None)

bf = cv2.BFMatcher()#创建暴力匹配对象，cv2.BFMatcher()；

matches = bf.knnMatch(des1,des2, k=2)#使用Matcher.knnMatch()获得两幅图像的K个最佳匹配；

good = []
for m,n in matches:
    if m.distance < 0.75*n.distance: #获得的K个最佳匹配中取出来第一个和第二个，进行比值，比值小于0.75，则为好的匹配点
        good.append([m])

img3=np.empty((300,300))
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good[:50],img3,flags=2) #采用cv2.drawMatchesKnn()函数，在最佳匹配的点之间绘制直线
plt.imshow(img3),plt.show()

运行结果如下所示：