OpenCV-Python sift/surf特征匹配与显示

import cv2
import numpy as np

def drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch):
    h1, w1 = img1_gray.shape[:2]
    h2, w2 = img2_gray.shape[:2]

    vis = np.zeros((max(h1, h2), w1 + w2, 3), np.uint8)
    vis[:h1, :w1] = img1_gray
    vis[:h2, w1:w1 + w2] = img2_gray

    p1 = [kpp.queryIdx for kpp in goodMatch]
    p2 = [kpp.trainIdx for kpp in goodMatch]

    post1 = np.int32([kp1[pp].pt for pp in p1])
    post2 = np.int32([kp2[pp].pt for pp in p2]) + (w1, 0)

    for (x1, y1), (x2, y2) in zip(post1, post2):
        cv2.line(vis, (x1, y1), (x2, y2), (0,0,255))

    cv2.namedWindow("match",cv2.WINDOW_NORMAL)
    cv2.imshow("match", vis)

img1_gray = cv2.imread("D:\05.jpg")
img2_gray = cv2.imread("D:\06.jpg")

sift = cv2.SIFT()
#sift = cv2.SURF()

kp1, des1 = sift.detectAndCompute(img1_gray, None)
kp2, des2 = sift.detectAndCompute(img2_gray, None)

# BFmatcher with default parms
bf = cv2.BFMatcher(cv2.NORM_L2)
matches = bf.knnMatch(des1, des2, k = 2)

goodMatch = []
for m,n in matches:
    if m.distance < 0.50*n.distance:
        goodMatch.append(m)

drawMatchesKnn_cv2(img1_gray,kp1,img2_gray,kp2,goodMatch[:20])

cv2.waitKey(0)
cv2.destroyAllWindows()

sift特征匹配效果：

SURF特征匹配效果：

说明：

• 1.  Sift特征和Surf特征提取特征的方法略有差异，在整个匹配流程上一样

• 2.  knnMatch(des1, des2,k = 2) 函数执行特征点匹配， k = 2 定义基准图像上的一个点会在另一幅图像上有2个匹配结果。

• 3.  不论Sift还是Surf都是强制匹配，不能保证匹配的点就是准确的，只能保证相对正确。

• 4.  goodMatch是经过筛选的优质配对，如果2个配对中第一匹配的距离小于第二匹配的距离的0.5，基本可以说明这个第一配对是两幅图像中独特的，不重复的特征点。当然并不能保证goodMatch保留的就是最优匹配。

• 5. OpenCV3中有drawMatchesKnn()函数，可以直接拼接显示配对点，OpenCV2中没有这个函数，定义的drawMatchesKnn_cv2()实现了配对显示部分功能。