Brute-Force蛮力匹配

通过SIFT算法可以得到图像关键点，通过比较两张图像的关键点，也就是比较关键点向量之间的差异，Brute-Force蛮力匹配通过比较特征向量，离得最近的特征向量也就是最相似的。默认的是用归一化的欧氏距离。

bf = cv2.BFMatcher(crossCheck=True)

crossCheck为True的意思是当我A到C的距离最近时，C到A的距离也最近，那么我们认为这个特征是匹配的，我的C的是距离B最近的，那么这个时候我们认为A和C是不匹配的

1对1的匹配

import cv2
import numpy as np
import matplotlib.pyplot as plt
#显示函数
def show(name,img):
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
#读入图像
img1 = cv2.imread('D:/box.png')
img2 = cv2.imread('D:/box_in_scene.png')
#sift算法实例化
sift = cv2.SIFT_create()
#提取特征点和特征向量
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
bf = cv2.BFMatcher(crossCheck=True)
#1对1匹配
matches = bf.match(des1, des2)
#将检测结果从大到小进行排序
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
show('img3',img3)

效果：
在这里插入图片描述

k对最佳匹配

k对最佳匹配是指，每一个特征点在另一张图片上都会有k个最匹配的点存在，例如k=2，它会给每个特征点画两根匹配线。通过对比可以过滤掉一部分点。如果需要更快速完成操作，可以尝试使用cv2.FlannBasedMatcher。

代码：

#读入图像
img1 = cv2.imread('D:/box.png')
img2 = cv2.imread('D:/box_in_scene.png')
#sift算法实例化
sift = cv2.SIFT_create()
#提取特征点和特征向量
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
bf = cv2.BFMatcher()
#k对最佳匹配，knnMatch中的k是一共有几组匹配
matches = bf.knnMatch(des1, des2, k=2)
#将检测结果从大到小进行排序
good = []
for m, n in matches:
    if m.distance < 0.5 * n.distance:
        good.append([m])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
show('img3',img3)