OpenCV feature matching for multiple images
如何使用FLANN优化许多图片的SIFT功能匹配?
我有一个从Python OpenCV文档中获取的工作示例。然而,这是将一个图像与另一个图像进行比较而且速度很慢。我需要它来搜索一系列图像(几千个)中匹配的特征,我需要它更快。
我目前的想法:
http://docs.opencv.org/trunk/doc/py_tutorials/py_feature2d/py_feature_homography/py_feature_homography.html
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 | import sys # For debugging only import numpy as np import cv2 from matplotlib import pyplot as plt MIN_MATCH_COUNT = 10 img1 = cv2.imread('image.jpg',0) # queryImage img2 = cv2.imread('target.jpg',0) # trainImage # Initiate SIFT detector sift = cv2.SIFT() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks = 50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1,des2,k=2) # store all the good matches as per Lowe's ratio test. good = [] for m,n in matches: if m.distance MIN_MATCH_COUNT: src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2) dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0) matchesMask = mask.ravel().tolist() h,w = img1.shape pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2) dst = cv2.perspectiveTransform(pts,M) img2 = cv2.polylines(img2,[np.int32(dst)],True,255,3, cv2.LINE_AA) else: print"Not enough matches are found - %d/%d" % (len(good),MIN_MATCH_COUNT) matchesMask = None draw_params = dict(matchColor = (0,255,0), # draw matches in green color singlePointColor = None, matchesMask = matchesMask, # draw only inliers flags = 2) img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params) plt.imshow(img3, 'gray'),plt.show() |
UPDATE
在尝试了很多东西后,我现在可能已经接近解决方案了。我希望有可能构建索引,然后在其中搜索如下:
1 2 3 | flann_params = dict(algorithm=1, trees=4) flann = cv2.flann_Index(npArray, flann_params) idx, dist = flann.knnSearch(queryDes, 1, params={}) |
但是我仍然没有设法为flann_Index参数构建一个接受的npArray。
1 2 3 | loop through all images as image: npArray.append(sift.detectAndCompute(image, None)) npArray = np.array(npArray) |
我从来没有在Python中解决这个问题,但是我将环境转换为C ++,你可以获得更多的OpenCV示例,而不必使用包含较少文档的包装器。
关于我在多个文件中匹配的问题的示例可以在这里找到:https://github.com/Itseez/opencv/blob/2.4/samples/cpp/matching_to_many_images.cpp
随着@ stanleyxu2005的回复,我想添加一些关于如何进行整个匹配的提示,因为我目前正在处理这样的事情。
一般建议是在OpenCV中查看拼接过程并阅读源代码。拼接管道是一组直接的过程,您只需要了解如何实现单个步骤。
以下是我的一些建议:
这是一个非常有趣的话题。我的耳朵也开了。