import cv2
import numpy as np
import random
import os
import matplotlib.pyplot as plt
from timeit import default_timer as timer
# 從影象資料夾中獲取所有的影象
imgdir =
'imgs/'
imgfiles = os.listdir(imgdir)
# 隨機讀取兩張
imgs = random.sample(imgfiles,2)
img1 = cv2.imread(os.path.join(imgdir, imgs[0]
))img2 = cv2.imread(os.path.join(imgdir, imgs[1]
))# 由於需要在plt下顯示影象，需要將opencv中bgr的順序改為rgb
img1 = cv2.cvtcolor(img1, cv2.color_bgr2rgb)
img2 = cv2.cvtcolor(img2, cv2.color_bgr2rgb)
# 轉換為灰度圖
# 初始化檢測運算元
sift = cv2.xfeatures2d_sift.create(
)# 計算特徵點和描述子
kps1, des1 = sift.detectandcompute(gray1,
none
)kps2, des2 = sift.detectandcompute(gray2,
none
)# 展示描述子
參考資料：
brute-force matcher將第乙個集合的描述乙個向量與第二個集合的所有向量進行匹配，計算出他們之間的「距離」。最後返回最近的乙個。
首先使用cv2.bfmatcher()建立物件。該函式接受兩個引數。第乙個引數確定距離的計算方式。預設情況下是cv2.norm_l2，這一方式適用於sift、surf（cv2.norm_l1也適用）。對於基於 binary string的方法，如orb，breif，brisk等等，cv2.norm_hamming計算方式是適用的。如果 orb 適用 wta_k == 3 or 4, 則應該使用cv2.norm_hamming2。
第二個引數是乙個bool值，預設為false。如果設定為true，匹配結果返回的將是（i，j），即集合a的第i個描述向量對應b中第j個描述向量。
bf = cv2.bfmatcher(
)matches = bf.knnmatch(des1, des2, k=2)
# 如果a中某個點與b中最近相近的2個點的距離區分度足夠大，則是好的匹配
對於orb，引數設定為：
特徵點匹配
一 特徵點 角點 匹配 影象匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，影象拼接等，而角點匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅影象之間的特徵畫素點的對應關係，從而確定兩幅影象的位置關係。角點匹配可以分為以下四個步驟 1 提取檢測子 在兩張待匹配的影象中尋找那些最容易識別的...
python opencv三點仿射變換
一張圖來表明要實現的功能 說明 將一張正正方方的矩形圖轉換成平行四邊形 甚至不規則四邊形 的操作。平行四邊形的圖形看起來具有3d視角，在很多方面都有應用。我們直接來實現這個操作 我們只需對應出3個點就可以使用opencv封裝好的函式進行這個操作了，哪三個點呢？左上 右上 左下。三個點的座標就是6個數...
Python Opencv中高斯噪點和高斯模糊
1.什麼是高斯模糊 把要模糊的像素色值統計，用數學上加權平均的計算方法 高斯函式 得到色值，對範圍 半徑等進行模糊 2.高斯模糊的應用場景 一些美顏軟體 美顏相機上的磨皮和毛玻璃特效基本上都是用的高斯模糊，並且大部分影象處理軟體中都有高斯模糊的操作，除此之外，高斯模糊還具有減少影象層次和深度的功能 ...