第三、BFMatcher与Flann特征点匹配方法效果对比( 二 ) _特征

第五、算法代码实现
2.读入数据
代码如下（示例）：
【第三、BFMatcher与Flann特征点匹配方法效果对比】import randomimport mathimport cv2import matplotlib.pyplot as pltimport matplotlib.image as mpimgfrom PIL import Imageimport numpy as np"""https://zhuanlan.zhihu.com/p/62238520RANSAC是通过反复选择数据集去估计出模型，一直迭代到估计出认为比较好的模型。具体的实现步骤可以分为以下几步：1.选择出可以估计出模型的最小数据集；(对于直线拟合来说就是两个点，对于计算Homography矩阵就是4个点)2.使用这个数据集来计算出数据模型；3.将所有数据带入这个模型，计算出“内点”的数目；(累加在一定误差范围内的适合当前迭代推出模型的数据)4.比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；5.重复1-4步，直到迭代结束或者当前模型已经足够好了(“内点数目大于一定数量”) 。"""#设置一个至少10个匹配的条件（有MinMatchNum指定）来找目标MinMatchNum = 20#读取照片L = cv2.imread('D:/MyTechnology/Python/2.jpg')# queryImageR = cv2.imread('D:/MyTechnology/Python/3.jpg')# trainImage#高斯滤波L = cv2.GaussianBlur(L,(3,3),0)R = cv2.GaussianBlur(R,(3,3),0)#创建sift检测器sift = cv2.xfeatures2d.SIFT_create()# 计算所有特征点的特征值kp和特征向量des并获取left_kp, left_des = sift.detectAndCompute(R, None)righ_kp, righ_des = sift.detectAndCompute(L, None)# BFMatcher爆力解决匹配，但是不好的特征值匹配较多bf = cv2.BFMatcher()matches = bf.knnMatch(left_des, righ_des, k=2)# 进行特征点匹配筛选BetterChoose1 = []for m, n in matches:#认为第一近的点小于第二近的点一倍以上是好的匹配BetterChoose1if m.distance < 0.5 * n.distance:BetterChoose1.append(m)# 但是由于爆力匹配的较好结果BetterChoose1匹配效果仍然不理想。# 所以我们想到用Ransat的方法优化匹配结果BetterChoose2 = np.expand_dims(BetterChoose1, 1)match = cv2.drawMatchesKnn(L, left_kp, R, righ_kp, BetterChoose2[:30], None, flags=2)# 判断是否当前模型已经符合超过MinMatchNum个点if len(BetterChoose1) > MinMatchNum:# 获取关键点的坐标src_pts = np.float32([left_kp[m.queryIdx].pt for m in BetterChoose1]).reshape(-1, 1, 2)dst_pts = np.float32([righ_kp[m.trainIdx].pt for m in BetterChoose1]).reshape(-1, 1, 2)#在这里调用RANSAC方法得到解HH, modle = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)wrap = cv2.warpPerspective(R, H, (R.shape[1] + R.shape[1], R.shape[0] + R.shape[0]))wrap[0:R.shape[0], 0:R.shape[1]] = L#得到新的位置rows, cols = np.where(wrap[:, :, 0] != 0)min_row, max_row = min(rows), max(rows) + 1min_col, max_col = min(cols), max(cols) + 1# 去除黑色无用部分LeftAndRight = wrap[min_row:max_row, min_col:max_col, :]# 将图片结果进行显示scal = 0.7 #蹄片显示比例控制cv2.imshow('connect', cv2.resize(match, (0, 0), fx=scal, fy=scal, interpolation=cv2.INTER_NEAREST))cv2.imshow('LeftAndRightg',cv2.resize(LeftAndRight, (0, 0), fx=scal, fy=scal, interpolation=cv2.INTER_NEAREST))cv2.waitKey(0)cv2.destroyAllWindows()