OpenCV Python – 使用SIFT算法实现两张图片的特征匹配

OpenCV Python – 使用SIFT算法实现两张图片的特征匹配

1.要实现在大图中找到任意旋转、缩放等情况下的小图位置，可以使用特征匹配算法，如 SIFT (尺度不变特征变换) 或 SURF (加速稳健特征)。这些算法可以在不同尺度和旋转情况下寻找匹配的特征点

import cv2
import numpy as npdef find_template(template_path, image_path):# 加载图像template = cv2.imread(template_path, 0)image = cv2.imread(image_path, 0)# 初始化 SIFT 探测器sift = cv2.xfeatures2d.SIFT_create()# 在模板和大图中检测特征点和特征描述符keypoints1, descriptors1 = sift.detectAndCompute(template, None)keypoints2, descriptors2 = sift.detectAndCompute(image, None)# 初始化暴力匹配器matcher = cv2.DescriptorMatcher_create(cv2.DescriptorMatcher_BRUTEFORCE)# 寻找最佳匹配matches = matcher.match(descriptors1, descriptors2)# 根据匹配度排序matches = sorted(matches, key=lambda x: x.distance)# 提取匹配结果num_good_matches = int(len(matches) * 0.15)  # 根据匹配结果数自行调整，这里取前 15% 的匹配结果good_matches = matches[:num_good_matches]# 提取匹配结果的对应关系src_pts = np.float32([keypoints1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)dst_pts = np.float32([keypoints2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)# 计算透视变换矩阵M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)# 获取模板图像的宽高h, w = template.shape# 在大图中查找模板位置matches_mask = mask.ravel().tolist()if sum(matches_mask) > 10:pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)dst = cv2.perspectiveTransform(pts, M)return dst.reshape(4, 2)else:return None# 示例用法
template_path = 'path_to_template_image.png'
image_path = 'path_to_large_image.png'
result = find_template(template_path, image_path)if result is not None:print("找到了模板图像的位置：")for pt in result:print("坐标：", pt)
else:print("未找到模板图像")

2.我们使用了 SIFT 算法检测和匹配特征点，然后使用 RANSAC 算法计算透视变换矩阵，从而得到模板图像在大图中的位置。根据你的需求，你可以根据实际情况调整代码中的阈值以及匹配结果的筛选条件。

请注意，使用 SIFT 算法需要安装额外的 OpenCV 扩展库，可以通过 pip 安装：pip install opencv-contrib-python。如果你使用的是不带 SIFT 的 OpenCV 版本，你可以尝试 SURF 算法，或者使用其他特征提取和匹配算法来适应不同的图像变换情况。