python opencv3 FLANN单应性匹配

git：https://github.com/linyi0604/Computer-Vision

匹配准确率非常高。

单应性指的是图像在投影发生了 畸变后仍然能够有较高的检测和匹配准确率

 # coding:utf-8

 """
 单应性匹配：
     两幅图像中的一幅 出现投影畸变的时候，他们还能彼此匹配
 """

 import cv2
 import numpy as np
 # 最小匹配数量设为10个， 大于这个数量从中筛选出10个最好的
 MIN_MATCH_COUNT = 10

 # 读入两幅图片 图片中有相同部分
 img1 = cv2.imread("../data/logo1.png", cv2.IMREAD_GRAYSCALE)
 img2 = cv2.imread("../data/album1.png", cv2.IMREAD_GRAYSCALE)

 # 获取sift特征检测器
 sift = cv2.xfeatures2d.SIFT_create()
 # 检测关键点 计算描述符
 kp1, des1 = sift.detectAndCompute(img1, None)
 kp2, des2 = sift.detectAndCompute(img2, None)

 # kdtree建立索引方式的常量参数
 FLANN_INDEX_KDTREE = 0
 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
 search_params = dict(checks=50) # checks指定索引树要被遍历的次数
 flann = cv2.FlannBasedMatcher(index_params, search_params)
 # 进行匹配搜索
 matches = flann.knnMatch(des1, des2, k=2)

 # 寻找距离近的放入good列表
 good = []
 for m, n in matches:
     if m.distance < 0.7 * n.distance:
         good.append(m)

 # 如果足够多  就筛选
 if len(good) > MIN_MATCH_COUNT:
     # 通过距离近的描述符 找到两幅图片的关键点
     src_pts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2)
     dst_pts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2)

     # 单应性匹配图关键点匹配线。。不懂啥意思
     M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)
     matchesMask = mask.ravel().tolist()

     h, w = img1.shape

     # 计算第二张图相对于第一张图的畸变
     pts = np.float32([[0, 0], [0, h-1], [w-1, 0]]).reshape(-1, 1, 2)
     dst = cv2.perspectiveTransform(pts, M)
     img2 = cv2.polylines(img2, [np.int32(dst)], True, 255, 3, cv2.LINE_AA)
 else:
     matchesMask = None

 draw_params = dict(
     matchColor=(0, 255, 0),
     singlePointColor=None,
     matchesMask=matchesMask,
     flags=2
 )

 img3 = cv2.drawMatches(img1, kp1, img2, kp2, good, None, **draw_params)
 cv2.imshow("", img3)
 cv2.waitKey()