Opencv 找到最适合的图像

给定一批图像，我必须找到最适合的图像，如下面给出的示例，但我的解决方案不起作用：

左图

正确形象

我首先尝试使用google cloud Vision API，但效果不好，然后我用ludwig训练了一个模型，但要尝试所有可能的图像组合将需要很长时间，因为我有2500个左图像和2500个右图像

---

有没有办法找出这个问题或减少可能出现的情况，以便我可以在我的模型中使用它。

此解决方案查看一对图像。该算法评估图像中的形状是否会像钥匙和锁一样啮合。我的回答并没有试图将图像对齐

第一步是在图像中找到轮廓：

left= cv2.imread('/home/stephen/Desktop/left.png')
right = cv2.imread('/home/stephen/Desktop/right.png')
# Resize
left = cv2.resize(left, (320,320))
gray = cv2.cvtColor(left, cv2.COLOR_BGR2GRAY)
_, left_contours, _ = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# Approximate
left_contour = left_contours[0]
epsilon = 0.005*cv2.arcLength(left_contour,True)
left_contour = cv2.approxPolyDP(left_contour,epsilon,True)

什么是等高线？轮廓只是位于形状周长上的点列表。三角形的轮廓将有3个点，长度为3。点之间的距离将是三角形中每条腿的长度

类似地，峰谷之间的距离将在图像中匹配。为了计算这个距离，我找到了轮廓点之间的距离。由于图像对齐的方式，我只使用了水平距离

left_dx = []
for point in range(len(left_contour)-1):
    a = left_contour[point][0]
    b = left_contour[point+1][0]
    dist = a[0]-b[0]
    left_dx.append(dist)
right_dx = []
for point in range(len(right_contour)-1):
    a = right_contour[point][0]
    b = right_contour[point+1][0]
    # Use the - of the distance becuase this is the key hole, not the key
    dist = -distance(a,b)
    right_dx.append(dist)
# Reverse so they will fit
right_dx.reverse()

A在这一点上，你可以看到轮廓线。如果您有更好的图像，轮廓将在此步骤中对齐。我使用Scipy对其进行了重组，并检查了功能是否匹配。如果两个函数对齐，则图像中的对象将网格化

left_x_values = []
for i in range(len(left_dx)): left_x_values.append(i)
x = np.array(left_x_values)
y = np.array(left_dx)
left_x_new = np.linspace(x.min(), x.max(),500)
f = interp1d(x, y, kind='quadratic')
left_y_smooth=f(left_x_new)
plt.plot (left_x_new, left_y_smooth,c = 'g')

我在自己生成的一对图像上再次尝试了这一点：

轮廓：

轮廓点之间的距离：

拟合轮廓：

---

也许您可以适当地澄清这些限制？两半之间是否存在比例和旋转差异。“粘在外面的尖头”总是矩形的，并且正好有18个尖头，还是一些形状是曲线、椭圆或三角形？最佳拟合是否总是指填充的矩形/正方形？如果正方形/矩形仅通过重叠（或孔）实现，那么误差度量是多少？@MarkSetchell如图所示（）。手指的数量固定为15，但也可以倾斜一个角度，它们的形状也固定为矩形或倾斜的形状，如图中所示。@Mika它们将与所有图像匹配注意：图像的尺寸不同是的，这似乎是一个很好的方法。你也可以添加一些代码，你用来执行这个，因为我不知道OpenCV是这样的。这似乎很有趣。我们怎样才能与别人竞争？他提到了2500个组合。