OpenCV--图像查找

代码和笔记

import cv2
import numpy as np

"""
图像查找--特征匹配的应用，通过特征匹配和单应性矩阵
单应性变换：描述物体在世界坐标系（原图）和像素坐标系（对比图）之间的位置映射关系，对应的变换矩阵成为单应性矩阵
应用-图像摆正、图片替换
"""
# 在小图中找大图
img1 = cv2.imread('./img/ca2.jpeg')
img2 = cv2.imread('./img/cat.jpeg')

gary1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gary2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 创建特征检测器
sift = cv2.SIFT_create()

# 计算描述子
kp1, des1 = sift.detectAndCompute(gary1, None)
kp2, des2 = sift.detectAndCompute(gary2, None)

# 创建特征匹配器
bf = cv2.BFMatcher(cv2.NORM_L1)

# 进行匹配
match = bf.match(des1, des2)

# 找到第一幅图的位置（点）对应在第二幅的位置（点），根据这些点计算单应性矩阵
# 计算单应性矩阵至少需要四个点--矩形的四个角类似
if len(match) >= 4:

    # src_points：源平面中点的坐标矩阵。 dst_points：目标平面中点的坐标矩阵
    # queryIdx：kp1的描述子Index。 trainIdx：kp2的描述子Index
    # .pt表示获取坐标。OpenCV里面点的类型要求为（1，1，2）第一个1是点的个数，-1表示自动匹配
    # 第二个1是每个 (x, y) 坐标对将被放置在一个单独的“行”中
    # 第三个2是指数组的第三个维度的大小，对应于每个 (x, y) 坐标对的两个元素
    # 用np.float32将列表转化为ndarray类型，再用reshape变成点类型
    src_points = np.float32([kp1[m.queryIdx].pt for m in match]).reshape(-1, 1, 2)
    dst_points = np.float32([kp2[m.trainIdx].pt for m in match]).reshape(-1, 1, 2)

    # 根据匹配的点计算单应性矩阵。findHomography返回矩阵和mask
    # 计算单应性矩阵的方法：cv2.RANSAC，表示随机抽样一致性。
    # 最大允许重投影错误阈值 5
    H, _ = cv2.findHomography(src_points, dst_points, cv2.RANSAC, 5)

    # 通过单应性矩阵，计算小图（img1）在大图中的对应位置
    # 拿出img1的行和列，也就是长和宽 彩色图像的shape为行、列和通道数，[:2]取前两个元素
    h, w = img1.shape[:2]

    # 逆时针四个角
    pts = np.float32([[0, 0], [0, h-1], [w-1, h-1], [w-1, 0]]).reshape(-1, 1, 2)

    # 对图片进行透视变换 perspectiveTransform是向量的用法，之前的warpPerspective是对图片而言
    dst = cv2.perspectiveTransform(pts, H)

    # 在大图中画出dst来，这里dst为小数，要转化一下。 True：是否闭合。2为粗细
    cv2.polylines(img2, [np.int32(dst)], True, (0, 0, 255), 2)
else:
    exit()

# 画出匹配特征点
ret = cv2.drawMatches(img1, kp1, img2, kp2, match, None)
cv2.imshow('ret', ret)
cv2.waitKey(0)
cv2.destroyAllWindows()