opencv模板匹配
-
读取图像并转换为灰度图像。
import cv2
# 读取图像
img = cv2.imread('template.jpg')
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-
检测关键点并绘制矩形框。
# 使用SIFT算法检测关键点 sift = cv2.SIFT_create() keypoints, descriptors = sift.detectAndCompute(gray, None) # 绘制关键点矩形框 img_with_keypoints = cv2.drawKeypoints(gray, keypoints, None)
-
计算描述符。
# 计算描述符
keypoints_descriptors = []
# 遍历所有关键点
for kp in keypoints:
# 计算描述符
keypoints_descriptors.append(kp.pt)
# 将描述符保存到列表中
descriptors = keypoints_descriptors
-
匹配描述符。
# 使用FLANN匹配器进行匹配 matches = cv2.FlannBasedMatcher() # 匹配描述符 matches = matches.knnMatch(descriptors, descriptors, k=2) # 将匹配结果按照距离进行排序 matches = sorted(matches, key=lambda x: x.distance) # 绘制匹配结果矩形框 img_matches = cv2.drawMatches(img, keypoints, matches, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
-
显示结果图像。
# 显示结果图像
cv2.imshow('Matches', img_matches)
cv2.waitKey(0)
以上是使用OpenCV库实现模板匹配的基本步骤，其中，
cv2.SIFT_create()函数用于创建SIFT算法实例，cv2.drawKeypoints()函数用于绘制关键点矩形框，cv2.FlannBasedMatcher()函数用于使用FLANN匹配器进行匹配，cv2.drawMatches()函数用于绘制匹配结果矩形框，cv2.imshow()函数用于显示结果图像。在实际应用中，可以根据具体的需求和数据特征，调整SIFT算法实例的参数和关键点的检测方法，以获得更好的匹配效果。
##################
标签：匹配,img,matches,descriptors,cv2,keypoints,opencv,模板
From： https://www.cnblogs.com/herd/p/17350396.html