OpenCV 第12课 图像处理—特征匹配（一）

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

暴力匹配

在关键点计算之后，特征描述符用于详细描绘关键点及其周边像素的信息。这种描述不仅涵盖了关键点本身，还包括了对其有贡献的周围像素点，从而为后续的目标匹配提供依据，并增强了关键点在不同条件下的不变性，例如光照和视角的变化。

暴力匹配是一种直观且直接的方法，通过遍历所有特征点的描述符，计算彼此间的距离，进而根据距离排序，最终选择距离最小的特征点作为匹配对象。尽管这种方法易于理解，但当特征点数量庞大时，其计算成本会显著增加。暴力匹配的主要流程包括：

1. 特征点检测：利用SIFT、SURF、ORB等算法，在图像中识别出关键点。这些关键点往往位于图像的显著位置，比如角落或边缘。
2. 特征描述：针对每一个识别到的关键点，计算其周围的像素特征描述符。这些描述符是一系列向量，旨在描述关键点附近的图像信息。常用的特征描述算法有SIFT、SURF和ORB等。
3. 特征匹配：将一组特征点的描述符与另一组进行对比，通常通过计算描述符之间的距离（如欧氏距离或汉明距离），选取距离最近的特征点作为匹配对象。
4. 匹配筛选：对初步匹配结果进行筛选和排序，一般按照距离进行排序，挑选出距离最短的特征点作为最优匹配点。此外，可以通过设置阈值或其他方法排除不稳定的匹配。
5. 匹配验证和优化：进一步验证和优化匹配结果，例如采用RANSAC算法进行模型拟合和异常点剔除，以增强匹配的准确性和稳定性。

ORB算法

ORB（Oriented FAST and Rotated BRIEF）算法由Rublee等人在2011年提出，该算法结合了FAST关键点检测器和BRIEF描述符的优点，具有以下特点：

• 计算效率高：与SIFT/SURF相比，ORB在保持旋转不变性的同时，计算速度提升了10至100倍。
• 良好的抗噪能力：通过多尺度金字塔和方向校正技术，提高了特征的稳定性。
• 开源且免费：基于BSD许可，无专利限制，便于广泛使用。

ORB_Create

ORB算法可通过调用cv2.ORB_create()函数进行初始化，其主要参数包括：

orb = cv2.ORB_create(
nfeatures=500,      # 最大保留特征点数量
scaleFactor=1.2,    # 图像金字塔的缩放比例
nlevels=8,          # 金字塔层数
edgeThreshold=31,    # 边缘剔除阈值
firstLevel=0,        # 金字塔起始层
WTA_K=2,            # 生成描述符时使用的点对数
scoreType=cv2.ORB_HARRIS_SCORE,  # 关键点的评分方式
patchSize=31         # 计算描述符的区域大小
)
    

该函数通过构建图像金字塔实现尺度不变性，关键参数有金字塔层数（nlevels）、缩放比例（scaleFactor）和起始层（firstLevel）。

金字塔构建原理

• 缩放比例（scaleFactor）：决定每层金字塔的分辨率下降比例，通常设置为1.2，意味着每层图像尺寸为上一层的1/1.2。
• 层级数（nlevels）：设定金字塔的总层数，默认为8层，覆盖从原始图像到1/16分辨率的多尺度特征检测。
• 起始层级（firstLevel）：指定金字塔的起始层，默认值为0，即从原始图像开始构建。

关键点检测

在每一层金字塔中独立执行FAST角点检测，确保能够捕捉到不同尺寸的特征，并将检测到的关键点位置和尺度映射回原始图像坐标系，支持跨尺度匹配。

角点检测实现

FAST关键点检测的核心在于通过比较中心像素与其周围16个像素的亮度差异来快速识别角点。若连续N个相邻像素的亮度差超过阈值T，则认为该点为角点。在OpenCV中，默认N=12（即FAST-12）。

为了实现旋转不变性，ORB算法采用灰度质心法（Intensity Centroid）计算特征点的方向。具体步骤如下：

1. 定义矩：对于以特征点为中心的小图像块B，计算其矩 ，其中 表示像素的灰度值。
2. 计算质心：质心C的坐标为 ，其中 为图像块的总灰度值。
3. 确定方向：连接图像块的几何中心O与质心C，方向向量 的角度 即为特征点的主方向。
4. 旋转不变性的实现：在生成rBRIEF描述符之前，根据主方向 旋转特征点领域内的采样点对坐标系，使得描述符对图像旋转具备鲁棒性。

检测特征点与描述符

通过调用orb.detectAndCompute(src, mask)函数，可以同时检测图像中的关键点并计算相应的描述符。该函数接受两个参数：

源图像作为输入，可以是灰度或彩色图像。

掩模图像用于定义感兴趣的区域。仅当掩模图像中相应位置的值非零时，才执行特征检测和描述符计算。

该函数返回两个值：

• 关键点：检测到的关键点列表，每个关键点包括其在图像中的坐标及其他属性。
• 描述符：关键点的描述符矩阵，每行代表一个关键点的描述符。

暴力匹配器

创建BFMatcher对象

cv2.BFMatcher_create(normType, crossCheck) 的两个参数分别为：

• normType：可选参数，指定距离度量的类型。默认值为cv2.NORM_L2，即使用欧氏距离；也可以选择cv2.NORM_L1、cv2.NORM_HAMMING或cv2.NORM_HAMMING2等其他类型。
• crossCheck：可选参数，指示是否执行交叉验证。默认值为False，表示不执行交叉验证。若设为True，则只有当两个特征点的最佳匹配互为最近邻时，才视为匹配成功。

该函数返回一个暴力匹配器对象，可用于执行特征匹配。

匹配描述符

bf.match(queryDescriptors, trainDescriptors) 的两个参数分别为：

• queryDescriptors：需匹配的图像特征向量。
• trainDescriptors：目标匹配的图像特征向量。

bf.match 的返回值是一个 DMatch 对象列表，每个 DMatch 包含以下属性：

• queryIdx：特征点在其所在图像中的索引。
• trainIdx：匹配特征点在另一图像中的索引。
• distance：描述符间的欧氏距离（数值越小，匹配度越高）。

绘制匹配结果

cv2.drawMatches(src1, kp1, src2, kp2, match, matchMask, flags) 的参数解释如下：

• src1：第一张图像，通常是查询图像或原始图像。
• kp1：第一张图像的关键点列表。
• src2：第二张图像，通常是训练图像或匹配图像。
• kp2：第二张图像的关键点列表。
• match：匹配结果列表，包含匹配的特征点对。
• matchesMask：确定绘制哪些匹配，为空则绘制所有匹配。
• flags：指定绘图选项的标志位。

可用的标志位包括：

• cv.DRAW_MATCHES_FLAGS_DEFAULT：默认的绘制模式，将在输出图像上为每个关键点绘制一个小圆圈，圆心即为特征点的位置。
• cv.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS：此模式下，每个关键点将被绘制成带有大小和方向信息的圆圈，以更详细地展示特征点的属性。
• cv.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG：使用此标志时，函数不会创建新的输出图像矩阵，而是在现有图像上直接绘制。
• cv.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS：启用此标志后，未配对的单个特征点将不会被绘制。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：图像处理 Open Pen Threshold intensity