• 日期: 2026-04-24
  • 标签: 常规
import cv2
import numpy as np
from matplotlib import pyplot as plt

img1 = cv2.imread('1.png')
img2 = cv2.imread('4.png')

# 显示原图像
cv2.imshow('image 1', img1)
cv2.imshow('image 2', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

gray1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
gray1 = np.float32(gray1)
dst1 = cv2.cornerHarris(gray1,2,3,0.04)
img1[dst1>0.01*dst1.max()] = [0,0,255]

gray2 = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)
gray2 = np.float32(gray2)
dst2 = cv2.cornerHarris(gray2,2,23,0.04)
img2[dst2>0.01*dst2.max()] = [0,0,255]

# 从一幅Harris响应图像中返回角点，min_dist为分割角点和图像边界的最少像素数目
def get_harris_points(harrisim,min_dist=10,threshold=0.1):
    # 寻找高于阈值的候选角点
    corner_threshold = harrisim.max() * threshold
    harrisim_t = (harrisim > corner_threshold) * 1
    # 得到候选点的坐标
    coords = np.array(harrisim_t.nonzero()).T
    # 以及它们的 Harris 响应值
    candidate_values = [harrisim[c[0],c[1]] for c in coords]
    # 对候选点按照 Harris 响应值进行排序
    index = np.argsort(candidate_values)[::-1]
    # 将可行点的位置保存到数组中
    allowed_locations = np.zeros(harrisim.shape)
    allowed_locations[min_dist:-min_dist,min_dist:-min_dist] = 1
    # 按照 min_distance 原则，选择最佳 Harris 点
    filtered_coords = []
    for i in index:
        if allowed_locations[coords[i,0],coords[i,1]] == 1:
            filtered_coords.append(coords[i])
            allowed_locations[(coords[i,0]-min_dist):(coords[i,0]+min_dist),
                        (coords[i,1]-min_dist):(coords[i,1]+min_dist)] = 0
    return filtered_coords

#对于每个返回的点，返回点周围2*wid+1个像素的值（假设选取点的min_distance > wid）
def get_descriptors(image, filtered_coords, wid=5):
    desc = []
    for coords in filtered_coords:
        patch = image[coords[0] - wid:coords[0] + wid + 1,
                coords[1] - wid:coords[1] + wid + 1].flatten()
        desc.append(patch)
    return desc

#对于第一幅图像中的每个角点描述子，使用归一化互相关，选取它在第二幅图像中的匹配角点
def match(desc1, desc2, threshold=0.5):
    n = len(desc1[0])
    # 点对的距离
    d = -np.ones((len(desc1), len(desc2)))
    for i in range(len(desc1)):
        for j in range(len(desc2)):
            d1 = (desc1[i] - np.mean(desc1[i])) / np.std(desc1[i])
            d2 = (desc2[j] - np.mean(desc2[j])) / np.std(desc2[j])
            ncc_value = sum(d1 * d2) / (n - 1)
            if ncc_value > threshold:
                d[i, j] = ncc_value
    ndx = np.argsort(-d)   #从大0到小排序
    matchscores = ndx[:, 0]   #最大一个数的位置坐标
    return matchscores

#两边对称版本的match（）
def match_twosided(desc1, desc2, threshold=0.5):
    matches_12 = match(desc1, desc2, threshold)
    matches_21 = match(desc2, desc1, threshold)
    ndx_12 = np.where(matches_12 >= 0)[0]
    # 去除非对称的匹配
    for n in ndx_12:
        if matches_21[matches_12[n]] != n:
            matches_12[n] = -1
    return matches_12


# 返回将两幅图像并排拼接成的一幅新图像
def appendimages(im1, im2):
    row1 = im1.shape[0]
    row2 = im2.shape[0]
    if row1 < row2:
        im1 = np.concatenate((im1, np.zeros((row2 - row1, im1.shape[1],im1.shape[2]))), axis=0)
    elif row1 > row2:
        im2 = np.concatenate((im2, np.zeros((row1 - row2, im2.shape[1],im2.shape[2]))), axis=0)
    return np.concatenate((im1, im2), axis=1)


# 显示一幅带有连接匹配之间连线的图片
# 输入：im1，im2（数组图像），locs1，locs2（特征位置），matchscores（match的输出），
def plot_matches(im1, im2, locs1, locs2, matchscores):
    im3 = appendimages(im1, im2)
    plt.imshow(im3)
    cols1 = im1.shape[1]
    for i, m in enumerate(matchscores):
        if m > 0:
            plt.plot([locs1[i][1], locs2[m][1] + cols1], [locs1[i][0], locs2[m][0]], 'c')
    plt.axis('off')
    plt.show()

wid=9   #比较像素点数目
filtered_coords1 = get_harris_points(dst1, wid+1,0.1)   #图1大于阈值的坐标
filtered_coords2 = get_harris_points(dst2, wid+1,0.1)   #图2大于阈值的坐标
d1 = get_descriptors(img1, filtered_coords1, wid)
d2 = get_descriptors(img2, filtered_coords2, wid)
matches = match_twosided(d1, d2,0.8)                 #图1的阈值点与图二哪个阈值点相关度最高，输出与图一相关性最大点的坐标
plt.figure(figsize=(30, 20));
plot_matches(img1, img2,filtered_coords1, filtered_coords2, matches)
cv2.waitKey()
cv2.destroyAllWindows()

代码说明：

  1. 导入库

    • cv2: OpenCV 库用于图像处理。
    • numpy: 用于数组操作。
    • matplotlib.pyplot: 用于绘图。

  2. 加载图像

    • img1 = cv2.imread('1.png'): 加载第一张图像。
    • img2 = cv2.imread('4.png'): 加载第二张图像。

  3. 显示原图像

    • cv2.imshow('image 1', img1): 显示第一张图像。
    • cv2.imshow('image 2', img2): 显示第二张图像。
    • cv2.waitKey(0): 等待用户按键。
    • cv2.destroyAllWindows(): 关闭所有窗口。

  4. Harris 角点检测

    • gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY): 将第一张图像转换为灰度图像。
    • gray1 = np.float32(gray1): 将灰度图像转换为浮点型。
    • dst1 = cv2.cornerHarris(gray1, 2, 3, 0.04): 使用 Harris 角点检测算法检测第一张图像中的角点。
    • img1[dst1 > 0.01 * dst1.max()] = [0, 0, 255]: 将检测到的角点标记为红色。
    • 类似地，对第二张图像进行 Harris 角点检测。

  5. 获取 Harris 角点

    • get_harris_points() 函数从 Harris 响应图像中获取角点，参数包括：
      • harrisim: Harris 响应图像。
      • min_dist: 角点之间的最小距离。
      • threshold: 角点检测的阈值。

  6. 提取特征描述符

    • get_descriptors() 函数提取每个角点周围的特征描述符，参数包括：
      • image: 输入图像。
      • filtered_coords: 角点的坐标。
      • wid: 描述符的宽度。

  7. 特征匹配

    • match() 函数使用归一化互相关来匹配特征描述符，参数包括：
      • desc1: 第一幅图像的特征描述符。
      • desc2: 第二幅图像的特征描述符。
      • threshold: 匹配的阈值。
    • match_twosided() 函数执行双向匹配，以确保匹配是对称的。

  8. 绘制匹配结果

    • appendimages() 函数将两幅图像水平拼接在一起。
    • plot_matches() 函数绘制匹配结果，包括图像、角点位置和匹配线。

代码运行结果：

代码运行后，会显示两张原图像，以及匹配后的图像，匹配后的图像中会用蓝色线连接匹配的角点。

代码示例：

您可以在代码中使用您自己的图像文件路径替换 '1.png' 和 '4.png'。

提示：

  • 可以调整 min_dist、threshold 和 wid 等参数来优化匹配结果。
  • 可以使用不同的特征描述符，例如 SIFT 或 SURF，来替代当前的描述符。
  • 可以使用其他匹配方法，例如最近邻匹配，来替代归一化互相关。
Python OpenCV 角点检测和特征匹配示例

原文地址: https://www.cveoy.top/t/topic/kno4 著作权归作者所有。请勿转载和采集!

免费AI点我,无需注册和登录