python+OpenCV笔记（三十五）：特征匹配——基于FLANN的匹配、基于FLANN进行单应性匹配

目录

一、基于FLANN的匹配

FLANN匹配流程：

代码编写

二、基于FLANN进行单应性匹配

什么是单应性？

FLANN进行单应性匹配流程

代码编写

---

         FLANN库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制，FLANN使用C++写成，它能够很容易地通过C，MTALAB和Python等绑定提供的库，用在很多环境中。

一、基于FLANN的匹配

FLANN匹配流程：

1. 导入NumPy, OpenCV, Matplotlib，从文件加载图像（imread）
2. 使用cv2.SIFT类来检测必要的关键点，并提取特征：

   sift = cv2.SIFT_create()
   kp1, des1 = sift.detectAndCompute(img1, None)
   kp2, des2 = sift.detectAndCompute(img2, None)  

3. 之前，我们将描述符送入了BFMatcher，用于蛮力匹配。这次，我们将使用cv2.FlannBasedMatcher

   index_params = dict(algorithm=1, tree=5)
   search_params = dict(checks=50)
   flann = cv2.FlannBasedMatcher(index_params, search_params)
   matches = flann.knnMatch(des1, des2, k=2)

   FLANN匹配器接收两个参数：indexindexParams对象和searchParams对象，这些参数以Python中字典（和C++中结构体）的形式传递。
   我们使用了5棵树的核密度树索引算法，FLANN可以并行处理此算法。
   我们对每棵树执行50次检查或者遍历，检查次数越多，可以提供的精度也越高，但是，计算成本也就更高。

4. 之后，我们应用乘数为0.7的劳氏比率检验。同时，组建一个名为mask_matches 的列表，其中每个元素都是长度为 k（与传给KnnMatch的 k 是一样的） 的子列表，如果匹配成功，则将子列表对应的元素设为1，否则设置为0.

   例如，如果mask_matches=[[0,0],[1,0]]，这意味着有两个匹配的关键点：对于第一个关键点，最优和次优匹配都是糟糕的，对于第二个关键点，最佳匹配是好的，次优匹配是糟糕的。注意，我们假设了所有次优匹配都是糟糕的：

   # 准备一个空的掩膜来绘制好的匹配
   mask_matches = [[0, 0] for i in range(len(matches))]
   
   # 向掩膜中添加数据
   for i, (m, n) in enumerate(matches):
       if m.distance < 0.7 * n.distance:
           mask_matches[i] = [1, 0]

5. 绘制并显示良好匹配，把mask_matches 列表传递给cv2.drawMatchesKnn 作为可选参数，cv2.drawMatchesKnn 只绘制掩膜中标记为好的匹配（值为1）

   img_matches = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None,
                                    matchColor=(0, 255, 0), singlePointColor=(255, 0, 0),
                                    matchesMask=mask_matches, flags=0)

代码编写

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

# 读入图像
imgname1 = 'E:/qi.png'
imgname2 = 'E:/qiqiqi.png'
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 灰度处理图像
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 灰度处理图像

sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

index_params = dict(algorithm=1, tree=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)

# 准备一个空的掩膜来绘制好的匹配
mask_matches = [[0, 0] for i in range(len(matches))]

# 向掩膜中添加数据
for i, (m, n) in enumerate(matches):
    if m.distance < 0.7 * n.distance:
        mask_matches[i] = [1, 0]

img_matches = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None,
                                 matchColor=(0, 255, 0), singlePointColor=(255, 0, 0),
                                 matchesMask=mask_matches, flags=0)

cv2.imshow("FLANN", img_matches)
cv2.waitKey(0)
cv2.destroyAllWindows()

 可以看到，效果比较理想，几乎所有的匹配项都处于正确的位置。接下来，我们将把这种类型的结果简化为更简洁的几何表示——单应性，他将描述整个匹配对象的姿态，而不是一堆不连续的点。

二、基于FLANN进行单应性匹配

什么是单应性？

        平面的单应性被定义为从一个平面到另一个平面的投影映射。

        书中的作者（见参考）给出这样的解释：单应性是当一张图是另一张图的一个透视畸变时，在两张图中寻找彼此的一种情况。

FLANN进行单应性匹配流程

1. 导入库，读取灰度格式的图像，检测特征并计算SIFT描述符
2. 组建一个通过了劳氏比率检验的匹配列表

   good_matches = []
   for m, n in matches:
       if m.distance < 0.7 * n.distance:
           good_matches.append(m)

3. 从技术上讲，我们最少可以用4个匹配项来计算单应性。但是，如果这4个匹配项中的任意一个有缺陷，都将会破坏结果的准确性。实际中最少用到10个匹配项。对于额外的匹配项，单应性查找算法可以丢弃一些异常值，以便产生与大部分匹配项子集紧密匹配的结果。因此，我们继续检查是否至少有10个好的匹配项：

   MIN_NUM_GOOD_MATCHES = 10
   if len(good_matches) >= MIN_NUM_GOOD_MATCHES:

4. 如果满足这个条件，那么就查找匹配的关键点的二维坐标，并把这些坐标放入浮点坐标对的两个列表中。一个列表包含查询图像中的关键点坐标，另一个列表包含场景中匹配的关键点坐标：

       src_pts = np.float32(
           [kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
       dst_pts = np.float32(
           [kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)

5. 寻找单应性：

       M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
       mask_matches = mask.ravel().tolist()

   cv2.findHomography参数：

   cv2.findHomography(srcPoints, dstPoints, method, ransacReprojThreshold, mask, maxIters, confidence)

   · srcPoints：源平面中点的坐标矩阵
   · dstPoints：目标平面中点的坐标矩阵
   · 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：基于RANSAC的鲁棒算法
                   `  LMEDS：最小中值鲁棒算法
                   ·  RHO：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）
   · 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

6. 执行透射转换，取查询图像的矩形角点，并将其投影到场景中，从而画出边界

       h, w = img1.shape[:2]
       src_corners = np.float32(
           [[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
       dst_corners = cv2.perspectiveTransform(src_corners, M)
       img2 = cv2.polylines(img2, [np.int32(dst_corners)], True, (255, 0, 0), 3, cv2.LINE_AA)

7. 然后，继续绘制关键点并显示可视化效果

代码编写

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

# 读入图像
imgname1 = 'E:/qiqiqi.png'
imgname2 = 'E:/train1.jpg'
img1 = cv2.imread(imgname1)
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)  # 灰度处理图像
img2 = cv2.imread(imgname2)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)  # 灰度处理图像

sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

index_params = dict(algorithm=1, tree=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)

good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

MIN_NUM_GOOD_MATCHES = 10
if len(good_matches) >= MIN_NUM_GOOD_MATCHES:
    src_pts = np.float32(
        [kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    dst_pts = np.float32(
        [kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
    mask_matches = mask.ravel().tolist()

    h, w = img1.shape[:2]
    src_corners = np.float32(
        [[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
    dst_corners = cv2.perspectiveTransform(src_corners, M)
    img2 = cv2.polylines(img2, [np.int32(dst_corners)], True, (255, 0, 0), 3, cv2.LINE_AA)

else:
    mask_matches = None

draw_params = dict(matchColor=(0, 255, 0), singlePointColor=None, matchesMask=mask_matches, flags=2)

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

cv2.imshow("FLANN", img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

【参考】：OpenCV 4计算机视觉 Python语言实现（原书第三版） 作者：Joseph Howse