Opencv 如何在SURF、SIFT和ORB匹配结果上应用RANSAC

我在做图像处理。我想匹配2D功能，我在SURF、SIFT、ORB上做了很多测试。
如何在OpenCV中的SURF/SIFT/ORB上应用RANSAC？

OpenCV具有功能

cv:：findHomography

，可以选择使用RANSAC查找与两幅图像相关的单应矩阵。您可以看到此函数的一个示例

具体来说，您感兴趣的代码部分是：

FlannBasedMatcher matcher;
std::vector< DMatch > matches;
matcher.match( descriptors_object, descriptors_scene, matches );

for( int i = 0; i < good_matches.size(); i++ )
{
    //-- Get the keypoints from the good matches
    obj.push_back( keypoints_object[ good_matches[i].queryIdx ].pt );
    scene.push_back( keypoints_scene[ good_matches[i].trainIdx ].pt );
}

Mat H = findHomography( obj, scene, CV_RANSAC ); 

FlannBasedMatcher匹配器；
标准：：向量匹配；
匹配（描述符\对象、描述符\场景、匹配）；
for（int i=0；i

然后可以使用函数

cv:：perspectiveTransform

根据单应矩阵扭曲图像

---

除了

cv\u RANSAC

之外的

cv:：findHomography

的其他选项包括使用每个点的

0

和使用最小中值法的

cv\u LMEDS

。更多信息可以在OpenCV摄像机校准文档中找到。

这里是python实现，使用

skipage

在获得的SIFT/SURF关键点上应用

ransac

，使用

ProjectiveTransform

或

AffineTransform

（即单应）模型。此实现首先对获得的关键点执行Lowe比率测试，然后对Lowe比率测试中过滤的关键点执行ransac

import cv2
from skimage.measure import ransac
from skimage.transform import ProjectiveTransform, AffineTransform
import numpy as np


def siftMatching(img1, img2):
    # Input : image1 and image2 in opencv format
    # Output : corresponding keypoints for source and target images
    # Output Format : Numpy matrix of shape: [No. of Correspondences X 2] 

    surf = cv2.xfeatures2d.SURF_create(100)
    # surf = cv2.xfeatures2d.SIFT_create()

    kp1, des1 = surf.detectAndCompute(img1, None)
    kp2, des2 = surf.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)

    # Lowe's Ratio test
    good = []
    for m, n in matches:
        if m.distance < 0.7*n.distance:
            good.append(m)

    src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1, 2)
    dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1, 2)

    # Ransac
    model, inliers = ransac(
            (src_pts, dst_pts),
            AffineTransform, min_samples=4,
            residual_threshold=8, max_trials=10000
        )

    n_inliers = np.sum(inliers)

    inlier_keypoints_left = [cv2.KeyPoint(point[0], point[1], 1) for point in src_pts[inliers]]
    inlier_keypoints_right = [cv2.KeyPoint(point[0], point[1], 1) for point in dst_pts[inliers]]
    placeholder_matches = [cv2.DMatch(idx, idx, 1) for idx in range(n_inliers)]
    image3 = cv2.drawMatches(img1, inlier_keypoints_left, img2, inlier_keypoints_right, placeholder_matches, None)

    cv2.imshow('Matches', image3)
    cv2.waitKey(0)

    src_pts = np.float32([ inlier_keypoints_left[m.queryIdx].pt for m in placeholder_matches ]).reshape(-1, 2)
    dst_pts = np.float32([ inlier_keypoints_right[m.trainIdx].pt for m in placeholder_matches ]).reshape(-1, 2)

    return src_pts, dst_pts

导入cv2
从skiliage.measureimportransac
从skimage.transform导入项目transform，仿射变换
将numpy作为np导入
def筛选匹配（img1、img2）：
#输入：opencv格式的image1和image2
#输出：源图像和目标图像的对应关键点
#输出格式：形状的Numpy矩阵：[对应数量X 2]
surf=cv2.xfeature2d.surf_create（100）
#surf=cv2.xfeature2d.SIFT_create（）
kp1，des1=表面检测和计算（img1，无）
kp2，des2=表面检测和计算（img2，无）
法兰索引KDTREE=0
索引参数=dict（算法=FLANN\u索引树，树=5）
搜索参数=dict（检查=50）
flann=cv2.FlannBasedMatcher（索引参数、搜索参数）
匹配=法兰N.knnMatch（des1、des2、k=2）
#洛韦比检验
好的=[]
对于匹配中的m，n：
如果m.距离<0.7*n.距离：
好。追加（m）
src_pts=np.float32（[kp1[m.queryIdx].pt代表m处于良好状态]）。重塑（-1,2）
dst_pts=np.float32（[kp2[m.trainIdx].pt代表m处于良好状态]）。重塑（-1,2）
#兰萨克
模型，内联线=ransac(
（src_pts，dst_pts），
仿射变换，最小样本数=4，
剩余试验阈值=8，最大试验次数=10000
)
n_inliers=np.sum（inliers）
inlier_keypoints_left=[cv2.KeyPoint（点[0]，点[1]，1）表示src_pts[inliers]中的点]
inlier_keypoints_right=[cv2.KeyPoint（点[0]，点[1]，1）表示dst中的点[inliers]]
占位符_matches=[cv2.DMatch（idx，idx，1）用于范围内的idx（n_内联）]
image3=cv2.drawMatches（img1，内部关键点左，img2，内部关键点右，占位符匹配，无）
cv2.imshow（“匹配”，图像3）
cv2.等待键（0）
src_pts=np.float32（[inlier_keypoints_left[m.queryIdx].pt for m in placeholder_matches]）。重塑（-1,2）
dst_pts=np.float32（[inlier_keypoints_right[m.trainIdx].pt代表占位符_匹配中的m]）。重塑（-1,2）
返回src_pts，dst_pts