用SIFT算法检测图像特征并进行图像匹配

1、加载模块、图片，并把图片变成灰度图片。

import cv2

import numpy as np

MIN_MATCH_COUNT = 4

img1 = cv2.imread("D:/……/a.jpg")

img2 = cv2.imread("D:/……/b.jpg")

g1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)

g2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

2、灰度图。

3、创建SIFT对象：

sift = cv2.xfeatures2d.SIFT_create()

创建Flann匹配：

match = cv2.FlannBasedMatcher(dict(algorithm =2, trees =1), {})

检测特征点，并描述特征点：

kp1, de1 = sift.detectAndCompute(g1,None)

kp2, de2 = sift.detectAndCompute(g2,None)

4、用knn匹配，来提取de1和de2的靠前的数据

m = match.knnMatch(de1, de2, 2)

5、重新排序：

m = sorted(m,key = lambda x:x[0].distance)

6、提取效果较好的几个可匹配特征点：

ok = [m1 for (m1, m2) in m if m1.distance < 0.7 * m2.distance]

7、根据匹配的特征点，对第1幅图片进行透视变换，使之与第一幅图的已经匹配的特征点尽量重合：

if len(ok)>MIN_MATCH_COUNT:

    pts0 = np.float32([ kp1[i.queryIdx].pt for i in ok]).reshape(-1,1,2)

    pts1 = np.float32([ kp2[i.trainIdx].pt for i in ok]).reshape(-1,1,2)

    M, mask = cv2.findHomography(pts0,pts1, cv2.RANSAC,5.0)

    h,w = img1.shape[:2]

    pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)

    dst = cv2.perspectiveTransform(pts,M)

    cv2.polylines(img2,[np.int32(dst)],True,(0,255,0),3, cv2.LINE_AA)

else:

    print( "匹配点的数目不够！ - {}/{}".format(len(ok),MIN_MATCH_COUNT))

8、用线把匹配的特征点连接起来：

med = cv2.drawMatches(img1,kp1,img2,kp2,ok,None)

可以看出来，有些匹配的特征点，并不匹配。

这说明，如果发生位移，那么，匹配结果会有所出入。

9、整体代码如下图所示。