在opencv Python中解释ORB匹配

在OpenCV中使用ORB和BFMatcher之后，我需要评估结果，以便在比较img1和img3以及img2和img3之后解释匹配。我知道ORB匹配包含一个汉明距离列表，但我想把这个向量转换成相似性的标量值

我想到了两种情况： 1） 使用匹配的长度，越长表示相似度越高。但是如果长度匹配1=长度匹配2，我们该如何处理呢？。在这种情况下，我们可以2）添加所有距离，最小值更可取

我们能把所有情况合并成一个指标吗

以下是我工作的最低要求：

orb = cv2.ORB()
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1,des2)
matches = sorted(matches, key = lambda x:x.distance)
return len(matches)

---

感谢

是

bf.match

返回的匹配类型。因此，您可以设置距离阈值，基本上您希望距离尽可能低，但您需要至少4个关键点来定义单应性。您可以设置它们的阈值，以便从所有匹配的集合中获得一组良好的匹配。如果您查看DMatch类，您可以找到

queryIdx

和

trainIdx

，它们对应于两幅图像中的关键点idx，因此您基本上可以像这样过滤关键点。谢谢Rick。如果我计算单应匹配（img1-img3）和单应匹配（img2-img3）。我如何定量地比较img3的最佳匹配？我不明白你的意思，也不明白你为什么要这么做。你能详细说明一下吗？如果你真的想要一个值/相似性分数，你可以使用RANSAC计算单应性，然后变换图像。然后你可以使用Suitebale相似性分数。如果你想接受，我可以将其添加为答案：）