# coding:utf-8

 import cv2

 """

 orb特征检测和匹配

     两幅图片分别是 乐队的logo 和包含该logo的专辑封面

     利用orb进行检测后进行匹配两幅图片中的logo

 """

 # 按照灰度图像的方式读入两幅图片

 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)

 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

 # 创建ORB特征检测器和描述符

 orb = cv2.ORB_create()

 # 对两幅图像检测特征和描述符

 keypoint1, descriptor1 = orb.detectAndCompute(img1, None)

 keypoint2, descriptor2 = orb.detectAndCompute(img2, None)

 """

 keypoint 是一个包含若干点的列表

 descriptor 对应每个点的描述符 是一个列表， 每一项都是检测到的特征的局部图像

 检测的结果是关键点

 计算的结果是描述符

 可以根据监测点的描述符 来比较检测点的相似之处

 """

 # 获得一个暴力匹配器的对象

 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

 # 利用匹配器 匹配两个描述符的相近成都

 maches = bf.match(descriptor1, descriptor2)

 # 按照相近程度 进行排序

 maches = sorted(maches, key=lambda x: x.distance)

 # 画出匹配项

 img3 = cv2.drawMatches(img1, keypoint1, img2, keypoint2, maches[: 30], img2, flags=2)

 cv2.imshow("matches", img3)

 cv2.waitKey()

 cv2.destroyAllWindows()

 # coding:utf-8

 import cv2

 # 按照灰度图像读入两张图片

 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)

 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

 # 获取特征提取器对象

 orb = cv2.ORB_create()

 # 检测关键点和特征描述

 keypoint1, desc1 = orb.detectAndCompute(img1, None)

 keypoint2, desc2 = orb.detectAndCompute(img2, None)

 """

 keypoint 是关键点的列表

 desc 检测到的特征的局部图的列表

 """

 # 获得knn检测器

 bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

 matches = bf.knnMatch(desc1, desc2, k=1)

 """

 knn 匹配可以返回k个最佳的匹配项

 bf返回所有的匹配项

 """

 # 画出匹配结果

 img3 = cv2.drawMatchesKnn(img1, keypoint1, img2, keypoint2, matches, img2, flags=2)

 cv2.imshow("matches", img3)

 cv2.waitKey()

 cv2.destroyAllWindows()

# coding:utf-8

import cv2

"""

FLANN是类似最近邻的快速匹配库

    它会根据数据本身选择最合适的算法来处理数据

    比其他搜索算法快10倍

"""

# 按照灰度图片读入

img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)

img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

# 创建sift检测器

sift = cv2.xfeatures2d.SIFT_create()

# 查找监测点和匹配符

kp1, des1 = sift.detectAndCompute(img1, None)

kp2, des2 = sift.detectAndCompute(img2, None)

"""

keypoint是检测到的特征点的列表

descriptor是检测到特征的局部图像的列表

"""

# 获取flann匹配器

FLANN_INDEX_KDTREE = 0

indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)

searchParams = dict(checks=50)

flann = cv2.FlannBasedMatcher(indexParams, searchParams)

# 进行匹配

matches = flann.knnMatch(des1, des2, k=2)

# 准备空的掩膜 画好的匹配项

matchesMask = [[0, 0] for i in range(len(matches))]

for i, (m, n) in enumerate(matches):

    if m.distance < 0.7*n.distance:

        matchesMask[i] = [1, 0]

drawPrams = dict(matchColor=(0, 255, 0),

                 singlePointColor=(255, 0, 0),

                 matchesMask=matchesMask,

                 flags=0)

# 匹配结果图片

img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams)

cv2.imshow("matches", img3)

cv2.waitKey()

cv2.destroyAllWindows()