opencv-python 提取sift特征并匹配的实例

我就废话不多说，直接上代码吧！

# -*- coding: utf-8 -*-
import cv2
import numpy as np
from find_obj import filter_matches,explore_match
from matplotlib import pyplot as plt

def getSift():
 '''
 得到并查看sift特征
 '''
 img_path1 = '../../data/home.jpg'
 #读取图像
 img = cv2.imread(img_path1)
 #转换为灰度图
 gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
 #创建sift的类
 sift = cv2.SIFT()
 #在图像中找到关键点 也可以一步计算#kp, des = sift.detectAndCompute
 kp = sift.detect(gray,None)
 print type(kp),type(kp[0])
 #Keypoint数据类型分析 http://www.cnblogs.com/cj695/p/4041399.html
 print kp[0].pt
 #计算每个点的sift
 des = sift.compute(gray,kp)
 print type(kp),type(des)
 #des[0]为关键点的list，des[1]为特征向量的矩阵
 print type(des[0]), type(des[1])
 print des[0],des[1]
 #可以看出共有885个sift特征，每个特征为128维
 print des[1].shape
 #在灰度图中画出这些点
 img=cv2.drawKeypoints(gray,kp)
 #cv2.imwrite('sift_keypoints.jpg',img)
 plt.imshow(img),plt.show()

def matchSift():
 '''
 匹配sift特征
 '''
 img1 = cv2.imread('../../data/box.png', 0) # queryImage
 img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage
 sift = cv2.SIFT()
 kp1, des1 = sift.detectAndCompute(img1, None)
 kp2, des2 = sift.detectAndCompute(img2, None)
 # 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false)
 bf = cv2.BFMatcher()
 #返回k个最佳匹配
 matches = bf.knnMatch(des1, des2, k=2)
 # cv2.drawMatchesKnn expects list of lists as matches.
 #opencv2.4.13没有drawMatchesKnn函数，需要将opencv2.4.13\sources\samples\python2下的common.py和find_obj文件放入当前目录，并导入
 p1, p2, kp_pairs = filter_matches(kp1, kp2, matches)
 explore_match('find_obj', img1, img2, kp_pairs) # cv2 shows image
 cv2.waitKey()
 cv2.destroyAllWindows()

def matchSift3():
 '''
 匹配sift特征
 '''
 img1 = cv2.imread('../../data/box.png', 0) # queryImage
 img2 = cv2.imread('../../data/box_in_scene.png', 0) # trainImage
 sift = cv2.SIFT()
 kp1, des1 = sift.detectAndCompute(img1, None)
 kp2, des2 = sift.detectAndCompute(img2, None)
 # 蛮力匹配算法,有两个参数，距离度量(L2(default),L1)，是否交叉匹配(默认false)
 bf = cv2.BFMatcher()
 #返回k个最佳匹配
 matches = bf.knnMatch(des1, des2, k=2)
 # cv2.drawMatchesKnn expects list of lists as matches.
 #opencv3.0有drawMatchesKnn函数
 # Apply ratio test
 # 比值测试，首先获取与A 距离最近的点B（最近）和C（次近），只有当B/C
 # 小于阈值时（0.75）才被认为是匹配，因为假设匹配是一一对应的，真正的匹配的理想距离为0
 good = []
 for m, n in matches:
   if m.distance < 0.75 * n.distance:
     good.append([m])
 img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good[:10], None, flags=2)
 cv2.drawm
 plt.imshow(img3), plt.show()

matchSift()

来源：https://blog.csdn.net/Yan456jie/article/details/52312253