导入相关的包

import cv2
import numpy as np
import random
import os
import matplotlib.pyplot as plt
from timeit import default_timer as timer

获取图片

# 从图像文件夹中获取所有的图像
imgDir = 'imgs/'
imgFiles = os.listdir(imgDir)

# 随机读取两张图片
imgs = random.sample(imgFiles, 2)
img1 = cv2.imread(os.path.join(imgDir, imgs[0]))
img2 = cv2.imread(os.path.join(imgDir, imgs[1]))

# 由于需要在plt下显示图像，需要将opencv中BGR的顺序改为RGB
img1 = cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)
img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)

# 转换为灰度图
gray1 = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_RGB2GRAY)

plt.subplot(2,2,1)
plt.imshow(img1)

plt.subplot(2,2,2)
plt.imshow(img2)

plt.subplot(2,2,3)
plt.imshow(gray1, cmap='gray')

plt.subplot(2,2,4)
plt.imshow(gray2, cmap='gray')

plt.show()

计算特征点和描述子

# 初始化检测算子
sift = cv2.xfeatures2d_SIFT.create()

# 计算特征点和描述子
kps1, des1 = sift.detectAndCompute(gray1, None)
kps2, des2 = sift.detectAndCompute(gray2, None)

# 展示描述子
img1Show = cv2.drawKeypoints(gray1, kps1, img1)
img2Show = cv2.drawKeypoints(gray2, kps2, img2)

plt.subplot(1,2,1)
plt.imshow(img1Show)

plt.subplot(1,2,2)
plt.imshow(img2Show)

plt.show()

print(f'kps1[0]:\n{kps1[0]}')
print(f'des1[0]:\n{des1[0]}')

kps1[0]:
<KeyPoint 0x7f29c8455e70>
des1[0]:
[  0.   5.   7.   0.   0.   0.   0.   0.   1.   0.   0.   1.   2.   0.
   0.   0.   4.   0.   0.   0.   0.   0.   0.   1.   0.   0.   0.   0.
   0.   0.   0.   0.  37. 124.  98.   6.   2.   0.   0.   4.  64.  20.
   5.   9.  24.  12.   7.  12. 136.  53.  10.   1.   2.   2.   2.  34.
  26.  28.  25.   1.   3.   5.   4.   8. 136.  60.  22.   4.   1.   1.
   4.  96.  86.  10.   1.   6.  10.  53.  52.  65. 136. 136.  60.   2.
   1.  10.  16.  18.   8. 136. 136.   1.   1.   1.   4.   4. 136.   2.
   1.   6.   4.   0.   1. 107.  55.   4.   8.  61.  33.   8.   7.  54.
  24.  12.   9.   8.   1.  14. 113. 104.   1.  24.  20.   0.   0.  34.
  97.  11.]

使用BF暴力匹配

参考资料：https://docs.opencv.org/3.3.0/dc/dc3/tutorial_py_matcher.html

Basics of Brute-Force Matcher

Brute-Force Matcher将第一个集合的描述一个向量与第二个集合的所有向量进行匹配，计算出他们之间的“距离”。最后返回最近的一个。
首先使用cv2.BFMatcher()创建对象。该函数接受两个参数。第一个参数确定距离的计算方式。默认情况下是cv2.NORM_L2，这一方式适用于SIFT、SURF（cv2.NORM_L1也适用）。对于基于 binary string的方法，如ORB，BREIF，BRISK等等，cv2.NORM_HAMMING计算方式是适用的。如果 ORB 适用 WTA_K == 3 or 4, 则应该使用cv2.NORM_HAMMING2。
第二个参数是一个bool值，默认为false。如果设置为True，匹配结果返回的将是（i，j），即集合A的第i个描述向量对应B中第j个描述向量。

bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)

# 如果A中某个点与B中最近相近的2个点的距离区分度足够大，则是好的匹配
good = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good.append([m])

imgMatch = cv2.drawMatchesKnn(img1,kps1,img2,kps2,good,None,flags=2)

plt.imshow(imgMatch)
plt.show()

基于FLANN的匹配方法

FLANN指的是Fast Library for Approximate Nearest Neighbors。在大规模数据和高维数据中速度比BF算法快。
对于SIFT，SURF等算法，参数设置为:
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)

对于ORB，参数设置为：
FLANN_INDEX_LSH = 6
index_params= dict(algorithm = FLANN_INDEX_LSH,
table_number = 6, # 12
key_size = 12, # 20
multi_probe_level = 1) #2

FLANN指的是Fast Library for Approximate Nearest Neighbors。在大规模数据和高维数据中速度比BF算法快。
对于SIFT，SURF等算法，参数设置为:
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)

对于ORB，参数设置为：
FLANN_INDEX_LSH = 6
index_params= dict(algorithm = FLANN_INDEX_LSH,
table_number = 6, # 12
key_size = 12, # 20
multi_probe_level = 1) #2