使用 OpenCV 比較兩張圖片的特徵匹配

本教學展示如何使用 OpenCV 的 SURF 特徵檢測與 BFMatcher，對兩張圖片進行特徵匹配並視覺化結果。

程式碼範例與註解

# 匯入必要模組
import cv2


# 加載圖片
img1 = cv2.imread('box.png')
img2 = cv2.imread('box_in_scene.png')

# 初始化特徵檢測器
feature = cv2.xfeatures2d.SURF_create()

# 檢測並計算特徵點與描述子
kp1, des1 = feature.detectAndCompute(img1, None)
kp2, des2 = feature.detectAndCompute(img2, None)

# 使用 BFMatcher 進行特徵匹配
bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

# 篩選優良匹配點
good = []
for m, n in matches:
    if m.distance < 0.55 * n.distance:
        good.append(m)

print('Matching points :{}'.format(len(good)))

# 繪製匹配結果
img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], outImg=None, 
        flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)

# 調整輸出圖片大小
width, height, channel = img3.shape
ratio = float(width) / float(height)
img3 = cv2.resize(img3, (1024, int(1024 * ratio)))

# 顯示結果
cv2.imshow('video', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

  

程式解析

• 加載圖片： 使用 cv2.imread 讀取圖片。
• 特徵檢測： 使用 SURF 特徵檢測器計算每張圖片的特徵點和描述子。
• 特徵匹配： 使用 BFMatcher 進行特徵匹配，並通過 knnMatch 返回每個特徵的兩個最佳匹配點。
• 篩選匹配點： 通過設置距離閾值，篩選優良匹配點。
• 繪製匹配結果： 使用 cv2.drawMatchesKnn 繪製匹配點，並調整輸出圖片的大小。
• 顯示結果： 使用 cv2.imshow 顯示最終的匹配結果。

結論

本程式展示了如何使用 OpenCV 進行圖片間的特徵匹配。SURF 特徵檢測與 BFMatcher 的結合可以高效地對比兩張圖片的相似性。您可以通過調整參數（如距離閾值）進一步優化匹配結果。