当前位置: 首页 > 工具软件 > Open Match > 使用案例 >

opencv中match与KnnMatch返回值解释

冀啸
2023-12-01

match与KnnMatch返回值解释:

之前一直不明白match与knnmatch的返回值到底是什么,查阅了一些资料才理解。

其实二者都是返回的DMatch类型的数据结构。

先说一下.match():

bf = cv.BFMatcher_create()
matches = bf.match(des1, des2)
for matche in matches:
    print(matche)

输出为:

<DMatch 0x7fcf509b90b0>
<DMatch 0x7fcf509b90d0>
<DMatch 0x7fcf509b90f0>
<DMatch 0x7fcf509b9110>

那么这个这个DMatch数据结构究竟是什么呢?
它包含三个非常重要的数据分别是queryIdx,trainIdx,distance
先说一下这三个分别是什么在演示其用途:
queryIdx:测试图像的特征点描述符的下标(第几个特征点描述符),同时也是描述符对应特征点的下标。
trainIdx:样本图像的特征点描述符下标,同时也是描述符对应特征点的下标。
distance:代表这怡翠匹配的特征点描述符的欧式距离,数值越小也就说明俩个特征点越相近。
演示如下:

bf = cv.BFMatcher_create()
matches = bf.match(des1, des2)
for matche in matches:
    print(matche)
    print(matche.queryIdx)
    print(matche.trainIdx)
    print(matche.distance)

输出结果为:

<DMatch 0x7f47e3aa6f50>
4220
588
149.05032348632812
<DMatch 0x7f47e3aa6f70>
4221
3089
303.5638427734375

每个特征点本身也具有以下属性:.pt:关键点坐标,.angle:表示关键点方向,.response表示响应强度,.size:标书该点的直径大小。
演示一下.pt:

def match_demo(image1, image2):
gray1 = cv.cvtColor(image1, cv.COLOR_BGR2GRAY)
gray2 = cv.cvtColor(image2, cv.COLOR_BGR2GRAY)
sift = cv.xfeatures2d.SIFT_create()
key1, des1 = sift.detectAndCompute(gray1, None)
key2, des2 = sift.detectAndCompute(gray2, None)

bf = cv.BFMatcher_create()
matches = bf.match(des1, des2)
for matche in matches:
   print(key1[matche.queryIdx].pt)#表示第(matche.queryIdx)个特征点的坐标

Knnmatch与match的返回值类型一样,只不过一组返回的俩个DMatch类型:

matches = flann.knnMatch(des1, des2, k=2)
# matchesMask = [[0, 0] for i in range(len(matches))]
for i, matche in enumerate(matches):
    print(matche)

返回值是:

[<DMatch 0x7f117af995f0>, <DMatch 0x7f117af99610>]
[<DMatch 0x7f117af99630>, <DMatch 0x7f117af99650>]

这俩个DMatch数据类型是俩个与原图像特征点最接近的俩个特征点(match返回的是最匹配的)只有这俩个特征点的欧式距离小于一定值的时候才会认为匹配成功。列入:原图像特征点与俩个绿色苹果相匹配,那么就会认为这个特征点是lv苹果,但若与原图像最接近的匹配分别是一个绿苹果和一个红苹果,那么就会认为匹配是失败的,即没有相匹配的特征点。

下面解释一段特征点匹配缩小优化的方法:
flann = cv.FlannBasedMatcher(indexpara, checkpara)

matches = flann.knnMatch(des1, des2, k=2)
matchesMask = [[1, 0] for i in range(len(matches))]
for i, (m, n) in enumerate(matches):
    if m.distance < 0.4*n.distance:
        matchesMask[i] = [1, 0]
drawpara = dict(singlePointColor=(0, 255, 0), matchColor=(255, 0, 0), matchesMask=matchesMask, flags=2)
image3 = cv.drawMatchesKnn(image1, key1, image2, key2, matches, None, **drawpara)
cv.imshow("flann_match_demo", image3)

我们已经知道m,n分别是俩个与原图像最相邻的俩个匹配,就如俩个都是绿苹果(即匹配是成功的)。
那么

 if m.distance < 0.4*n.distance:
      	  matchesMask[i] = [1, 0]

代表当两个绿苹果一个大一个小且大小差距太大的时候匹配还是不成功的,而两个都是小苹果的时候,原图像特征点就被认为是一个小的绿苹果。matcheMask就是特征掩膜,对应值为0的时候不会被“画”在对比图像上。不在做具体介绍了,睡觉觉啦,拜拜。

 类似资料: