立即前往

活动

天翼云最新优惠活动,涵盖免费试用,产品折扣等,助您降本增效!
查看全部活动
热门活动
  • 智算采购季 热销S6云服务器2核4G限时88元/年起,部分主机可加赠对象存储组合包!
  • 免费体验DeepSeek,上天翼云息壤 NEW 新老用户均可免费体验2500万Tokens,限时两周
  • 云上钜惠 HOT 爆款云主机全场特惠,更有万元锦鲤券等你来领!
  • 算力套餐 HOT 让算力触手可及
  • 天翼云脑AOne NEW 连接、保护、办公,All-in-One!
  • 一键部署Llama3大模型学习机 0代码一键部署,预装最新主流大模型Llama3与StableDiffusion
  • 中小企业应用上云专场 产品组合下单即享折上9折起,助力企业快速上云
  • 息壤高校钜惠活动 NEW 天翼云息壤杯高校AI大赛,数款产品享受线上订购超值特惠
  • 天翼云电脑专场 HOT 移动办公新选择,爆款4核8G畅享1年3.5折起,快来抢购!
  • 天翼云奖励推广计划 加入成为云推官,推荐新用户注册下单得现金奖励
免费活动
  • 免费试用中心 HOT 多款云产品免费试用,快来开启云上之旅
  • 天翼云用户体验官 NEW 您的洞察,重塑科技边界

智算服务

打造统一的产品能力,实现算网调度、训练推理、技术架构、资源管理一体化智算服务
智算云(DeepSeek专区)
科研助手
  • 算力商城
  • 应用商城
  • 开发机
  • 并行计算
算力互联调度平台
  • 应用市场
  • 算力市场
  • 算力调度推荐
一站式智算服务平台
  • 模型广场
  • 体验中心
  • 服务接入
智算一体机
  • 智算一体机
大模型
  • DeepSeek-R1-昇腾版(671B)
  • DeepSeek-R1-英伟达版(671B)
  • DeepSeek-V3-昇腾版(671B)
  • DeepSeek-R1-Distill-Llama-70B
  • DeepSeek-R1-Distill-Qwen-32B
  • Qwen2-72B-Instruct
  • StableDiffusion-V2.1
  • TeleChat-12B

应用商城

天翼云精选行业优秀合作伙伴及千余款商品,提供一站式云上应用服务
进入甄选商城进入云市场创新解决方案
办公协同
  • WPS云文档
  • 安全邮箱
  • EMM手机管家
  • 智能商业平台
财务管理
  • 工资条
  • 税务风控云
企业应用
  • 翼信息化运维服务
  • 翼视频云归档解决方案
工业能源
  • 智慧工厂_生产流程管理解决方案
  • 智慧工地
建站工具
  • SSL证书
  • 新域名服务
网络工具
  • 翼云加速
灾备迁移
  • 云管家2.0
  • 翼备份
资源管理
  • 全栈混合云敏捷版(软件)
  • 全栈混合云敏捷版(一体机)
行业应用
  • 翼电子教室
  • 翼智慧显示一体化解决方案

合作伙伴

天翼云携手合作伙伴,共创云上生态,合作共赢
天翼云生态合作中心
  • 天翼云生态合作中心
天翼云渠道合作伙伴
  • 天翼云代理渠道合作伙伴
天翼云服务合作伙伴
  • 天翼云集成商交付能力认证
天翼云应用合作伙伴
  • 天翼云云市场合作伙伴
  • 天翼云甄选商城合作伙伴
天翼云技术合作伙伴
  • 天翼云OpenAPI中心
  • 天翼云EasyCoding平台
天翼云培训认证
  • 天翼云学堂
  • 天翼云市场商学院
天翼云合作计划
  • 云汇计划
天翼云东升计划
  • 适配中心
  • 东升计划
  • 适配互认证

开发者

开发者相关功能入口汇聚
技术社区
  • 专栏文章
  • 互动问答
  • 技术视频
资源与工具
  • OpenAPI中心
开放能力
  • EasyCoding敏捷开发平台
培训与认证
  • 天翼云学堂
  • 天翼云认证
魔乐社区
  • 魔乐社区

支持与服务

为您提供全方位支持与服务,全流程技术保障,助您轻松上云,安全无忧
文档与工具
  • 文档中心
  • 新手上云
  • 自助服务
  • OpenAPI中心
定价
  • 价格计算器
  • 定价策略
基础服务
  • 售前咨询
  • 在线支持
  • 在线支持
  • 工单服务
  • 建议与反馈
  • 用户体验官
  • 服务保障
  • 客户公告
  • 会员中心
增值服务
  • 红心服务
  • 客户支持计划
  • 专家技术服务
  • 备案管家

了解天翼云

天翼云秉承央企使命,致力于成为数字经济主力军,投身科技强国伟大事业,为用户提供安全、普惠云服务
品牌介绍
  • 关于天翼云
  • 智算云
  • 天翼云4.0
  • 新闻资讯
  • 天翼云APP
基础设施
  • 全球基础设施
  • 产品能力
  • 信任中心
最佳实践
  • 精选案例
  • 超级探访
  • 云杂志
  • 分析师和白皮书
  • 天翼云·创新直播间
市场活动
  • 2025智能云生态大会
  • 2024智算云生态大会
  • 2023云生态大会
  • 2022云生态大会
  • 天翼云中国行
天翼云
  • 活动
  • 智算服务
  • 产品
  • 解决方案
  • 应用商城
  • 合作伙伴
  • 开发者
  • 支持与服务
  • 了解天翼云
      • 文档
      • 控制中心
      • 备案
      • 管理中心

      传统CV算法——特征匹配算法

      首页 知识中心 大数据 文章详情页

      传统CV算法——特征匹配算法

      2025-03-31 08:57:06 阅读次数:5

      匹配,描述符,矩阵

      Brute-Force蛮力匹配

      Brute-Force蛮力匹配是一种简单直接的模式识别方法,经常用于计算机视觉和数字图像处理领域中的特征匹配。该方法通过逐一比较目标图像中的所有特征点与源图像中的特征点来寻找最佳匹配。这种方法的主要步骤包括:

      1. 特征提取:首先,从两个待比较的图像中提取关键特征点。这些特征点通常是图像中的角点、边缘或其他显著的图像属性。

      2. 特征描述:对提取出的每个特征点生成一个描述符,这个描述符捕捉了特征点周围的图像信息,通常是通过一定的算法(如SIFT、SURF或ORB等)来实现。

      3. 匹配过程:在蛮力匹配中,源图像的每个特征点的描述符都会与目标图像中每个特征点的描述符进行比较。比较通常基于描述符之间的距离度量(如欧氏距离或汉明距离),以找到最相似的匹配对。

      4. 选择最佳匹配:根据某种标准(如最小距离)从所有可能的匹配中选择最佳匹配。有时也会使用比如比率测试来进一步验证匹配的质量,以排除错误匹配。

      虽然Brute-Force匹配方法在小型或中等复杂度的数据集上可以非常有效,但它的计算成本随着特征点数量的增加而显著增加,这可能导致在大规模数据集上的性能问题。因此,它通常被用于那些对实时性要求不是非常高的应用,或者作为复杂匹配算法的初步匹配步骤。

      import cv2 
      import numpy as np
      import matplotlib.pyplot as plt
      def cv_show(name,img):
          cv2.imshow(name, img)
          cv2.waitKey(0)
          cv2.destroyAllWindows()
      
      img1 = cv2.imread('box.png', 0)
      img2 = cv2.imread('box_in_scene.png', 0)
      cv_show('img1',img1)
      cv_show('img2',img2)
      sift = cv2.SIFT_create()
      kp1, des1 = sift.detectAndCompute(img1, None)
      kp2, des2 = sift.detectAndCompute(img2, None)
      # crossCheck表示两个特征点要互相匹,例如A中的第i个特征点与B中的第j个特征点最近的,并且B中的第j个特征点到A中的第i个特征点也是 
      #NORM_L2: 归一化数组的(欧几里德距离),如果其他特征计算方法需要考虑不同的匹配计算方式
      bf = cv2.BFMatcher(crossCheck=True)
      

      传统CV算法——特征匹配算法
      传统CV算法——特征匹配算法

      1对1的匹配
      matches = bf.match(des1, des2)
      matches = sorted(matches, key=lambda x: x.distance)
      img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
      cv_show('img3',img3)
      

      传统CV算法——特征匹配算法

      k对最佳匹配

      cv2.BFMatcher() 创建一个Brute-Force匹配器对象,该对象可以用来匹配两个图像之间的特征点。Brute-Force匹配是一种在两组特征点之间找到最佳匹配的简单方法,通过计算一个特征点与另一组中所有特征点之间的距离来实现。

      然后,knnMatch 方法被用来找到每个描述符的前k个最佳匹配。在这个例子中,k被设为2,这意味着对于第一组描述符中的每个描述符(des1),算法将找到与第二组描述符(des2)中距离最近的两个描述符。这种方法通常用于执行比如SIFT或SURF这类特征描述符的匹配。

      返回的matches是一个列表,其中每个元素也是一个列表,包含两个最佳匹配(因为k=2)。这允许进一步的处理,例如使用比率测试来过滤不良匹配。比率测试通常涉及比较两个最佳匹配之间的距离比,如果第一个距离明显小于第二个(例如,小于阈值的50%),那么我们认为这是一个“好”的匹配。这有助于排除错误的匹配,提高匹配质量。

      bf = cv2.BFMatcher()
      matches = bf.knnMatch(des1, des2, k=2)
      good = []
      for m, n in matches:
          if m.distance < 0.75 * n.distance:
              good.append([m])
      img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
      cv_show('img3',img3)
      

      传统CV算法——特征匹配算法

      如果需要更快速完成操作,可以尝试使用cv2.FlannBasedMatcher

      cv2.FlannBasedMatcher() 创建了基于FLANN(Fast Library for Approximate Nearest Neighbors)的匹配器对象。FLANN是一个用于大数据集和高维特征的快速近似最近邻搜索库,通常比Brute-Force匹配在这类情况下执行得更快。

      knnMatch 方法同样被用来在两组特征描述符之间找到每个描述符的前k个最佳匹配,这里的 k 设为2。这意味着对于第一组描述符(des1)中的每个描述符,FLANN匹配器将在第二组描述符(des2)中找到两个最近似的匹配。

      返回的 matches 是一个列表,每个元素也是一个列表,包含每个描述符的两个最佳匹配。这同样允许进一步的处理,比如通过比率测试来过滤掉那些质量不高的匹配,增强匹配结果的准确性。

      bf = cv2.FlannBasedMatcher()
      matches = bf.knnMatch(des1, des2, k=2)
      good = []
      for m, n in matches:
          if m.distance < 0.75 * n.distance:
              good.append([m])
      img4 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
      cv_show('img4',img4)
      

      传统CV算法——特征匹配算法

      随机抽样一致算法(Random sample consensus,RANSAC)

      传统CV算法——特征匹配算法
      选择初始样本点进行拟合,给定一个容忍范围,不断进行迭代。
      传统CV算法——特征匹配算法
      每一次拟合后,容差范围内都有对应的数据点数,找出数据点个数最多的情况,就是最终的拟合结果
      传统CV算法——特征匹配算法

      单应性矩阵

      单应性矩阵:指在计算机视觉和图像处理中用来表示两个平面之间的投影关系的一种矩阵。当两个平面之间的投影关系可以用一个矩阵表示时,这个矩阵就被称为单应性矩阵。

      在二维平面中,单应性矩阵是一个3x3的矩阵,它可以描述一个平面上的点在另一个平面上的投影位置。这个投影关系可以用以下的公式表示:

      [ x ′ , y ′ , w ′ ] T = H ∗ [ x , y , w ] T [x', y', w']^T = H * [x, y, w]^T [x′,y′,w′]T=H∗[x,y,w]T
      其中[x, y, w]是原始平面上的点的齐次坐标,[x’, y’, w’]是投影平面上的点的齐次坐标,H是单应性矩阵。

      单应性矩阵可以被用来进行图像处理中的各种操作,如图像拼接、图像配准、图像纠正等。通过计算两个平面之间的单应性矩阵,就可以将一个平面上的点映射到另一个平面上,实现不同平面之间的转换和对齐。

      单应性矩阵的计算通常需要已知的对应点对,即已知两个平面上的一些点在对应的投影位置。通过这些对应点对,可以通过最小二乘法或其他优化方法来计算单应性矩阵。

      值得注意的是,在计算单应性矩阵时,需要至少有四个对应点对,因为单应性矩阵有8个自由度,而每个对应点对提供了两个约束条件。

      总之,单应性矩阵在计算机视觉和图像处理中具有重要的应用,可以描述平面之间的投影关系,并用于图像的转换和对齐任务。单应性矩阵是指在计算机视觉和图像处理中用来表示两个平面之间的投影关系的一种矩阵。当两个平面之间的投影关系可以用一个矩阵表示时,这个矩阵就被称为单应性矩阵。

      传统CV算法——特征匹配算法

      版权声明:本文内容来自第三方投稿或授权转载,原文地址:https://swpucwf.blog.csdn.net/article/details/137890831,作者:小陈phd,版权归原作者所有。本网站转在其作品的目的在于传递更多信息,不拥有版权,亦不承担相应法律责任。如因作品内容、版权等问题需要同本网站联系,请发邮件至ctyunbbs@chinatelecom.cn沟通。

      上一篇:传统CV算法——图像基本操作与形态学操作

      下一篇:传统CV算法——图像特征算法概述

      相关文章

      2025-04-22 09:24:51

      有效括号

      有效括号

      2025-04-22 09:24:51
      false , 入栈 , 匹配 , 括号 , 返回
      2025-04-18 08:02:09

      CUDA从入门到精通(四)——数据划分方法介绍

      在并行计算或数据并行编程中,数据划分是将大量数据分配给多个计算单元(如 GPU 线程或 CPU 核心)进行并行处理的重要技术。块划分(Block Partitioning)和周期划分(Cyclic Partitioning)是两种常见的划分方式,它们的区别主要体现在 数据分配的模式 上。

      2025-04-18 08:02:09
      分配 , 划分 , 数据 , 矩阵 , 线程 , 负载
      2025-04-18 07:11:32

      文心一言 VS 讯飞星火 VS chatgpt (390)-- 算法导论25.1 4题

      要证明由 EXTEND-SHORTEST-PATHS 所定义的矩阵乘法是相关的,我们首先需要理解 EXTEND-SHORTEST-PATHS 算法的基本工作原理。EXTEND-SHORTEST-PATHS 通常用于计算两个加权有向图的乘积,其中图的权重表示从一个顶点到另一个顶点的最短路径长度。

      2025-04-18 07:11:32
      乘法 , 矩阵 , 路径 , 顶点
      2025-04-18 07:10:38

      Js之前端实现模糊查询

      Js之前端实现模糊查询

      2025-04-18 07:10:38
      match , 匹配 , 字符串 , 方法 , 查询 , 正则表达式
      2025-04-15 09:25:57

      软件设计师教程(第5版)第3章 数据结构(更新中)

      【数据结构】是指数据元素的集合及元素间的相互关系和构造方法。

      2025-04-15 09:25:57
      二叉树 , 存储 , 排序 , 矩阵 , 结构
      2025-04-15 09:18:30

      I/O 多路转接之 poll

      I/O 多路转接之 poll

      2025-04-15 09:18:30
      事件 , 函数 , 描述符
      2025-04-15 09:18:30

      五种 IO 模型介绍 与 fcntl实现 非阻塞 IO

      五种 IO 模型介绍 与 fcntl实现 非阻塞 IO

      2025-04-15 09:18:30
      IO , 异步 , 描述符 , 调用 , 阻塞
      2025-04-09 09:17:17

      文心一言 VS 讯飞星火 VS chatgpt (204)-- 算法导论15.3 3题

      文心一言 VS 讯飞星火 VS chatgpt (204)-- 算法导论15.3 3题

      2025-04-09 09:17:17
      乘法 , 次数 , 矩阵 , 问题
      2025-04-09 09:16:56

      Python算法学习[11]—图像问题&问题描述与实现

      在计算机视觉中,图像处理是一个重要的领域。本文将介绍两个常见的图像问题:图像旋转和图像缩放,并提供Python代码来实现这些问题的解决方案。

      2025-04-09 09:16:56
      Python , 函数 , 图像 , 旋转 , 矩阵 , 问题
      2025-04-09 09:13:27

      R语言分布滞后非线性模型(DLNM)研究发病率,死亡率和空气污染示例|附代码数据

      R语言分布滞后非线性模型(DLNM)研究发病率,死亡率和空气污染示例|附代码数据

      2025-04-09 09:13:27
      函数 , 参数 , 矩阵
      查看更多
      推荐标签

      作者介绍

      天翼云小翼
      天翼云用户

      文章

      32777

      阅读量

      4807157

      查看更多

      最新文章

      文心一言 VS 讯飞星火 VS chatgpt (390)-- 算法导论25.1 4题

      2025-04-18 07:11:32

      文心一言 VS 讯飞星火 VS chatgpt (204)-- 算法导论15.3 3题

      2025-04-09 09:17:17

      文心一言 VS 讯飞星火 VS chatgpt (22)-- 算法导论4.2 2题

      2025-04-01 10:29:12

      DFS:floodfill算法解决矩阵联通块问题

      2025-04-01 10:28:25

      传统CV算法——基于 SIFT 特征点检测与匹配实现全景图像拼接

      2025-04-01 10:28:07

      力扣大厂热门面试算法题 9-11

      2025-02-28 09:27:44

      查看更多

      热门文章

      第7章 目标检测与识别

      2023-02-15 09:58:40

      Matlab基础语法:变量和数据类型,基本运算,矩阵和向量,常用函数,脚本文件

      2024-11-07 08:22:07

      改进的模式匹配算法—KMP算法

      2024-11-13 09:08:40

      矩阵运算在数据科学中的重要性与实现方法

      2024-12-20 07:43:22

      目标跟踪算法——ByteTrack算法原理解析

      2025-01-08 08:40:08

      文心一言 VS 讯飞星火 VS chatgpt (202)-- 算法导论15.3 1题

      2025-01-08 08:37:04

      查看更多

      热门标签

      算法 leetcode python 数据 java 数组 节点 大数据 i++ 链表 golang c++ 排序 django 数据类型
      查看更多

      相关产品

      弹性云主机

      随时自助获取、弹性伸缩的云服务器资源

      天翼云电脑(公众版)

      便捷、安全、高效的云电脑服务

      对象存储

      高品质、低成本的云上存储服务

      云硬盘

      为云上计算资源提供持久性块存储

      查看更多

      随机文章

      文心一言 VS 讯飞星火 VS chatgpt (202)-- 算法导论15.3 1题

      文心一言 VS 讯飞星火 VS chatgpt (204)-- 算法导论15.3 3题

      传统CV算法——基于 SIFT 特征点检测与匹配实现全景图像拼接

      目标跟踪算法——ByteTrack算法原理解析

      Matlab基础语法:变量和数据类型,基本运算,矩阵和向量,常用函数,脚本文件

      文心一言 VS 讯飞星火 VS chatgpt (390)-- 算法导论25.1 4题

      • 7*24小时售后
      • 无忧退款
      • 免费备案
      • 专家服务
      售前咨询热线
      400-810-9889转1
      关注天翼云
      • 权益商城
      • 天翼云APP
      • 天翼云微信公众号
      服务与支持
      • 备案中心
      • 售前咨询
      • 智能客服
      • 自助服务
      • 工单管理
      • 客户公告
      • 涉诈举报
      账户管理
      • 管理中心
      • 订单管理
      • 余额管理
      • 发票管理
      • 充值汇款
      • 续费管理
      快速入口
      • 权益商城
      • 文档中心
      • 最新活动
      • 免费试用
      • 信任中心
      • 天翼云学堂
      云网生态
      • 甄选商城
      • 渠道合作
      • 云市场合作
      了解天翼云
      • 关于天翼云
      • 天翼云APP
      • 服务案例
      • 新闻资讯
      • 联系我们
      热门产品
      • 云电脑
      • 弹性云主机
      • 云电脑政企版
      • 天翼云手机
      • 云数据库
      • 对象存储
      • 云硬盘
      • Web应用防火墙
      • 服务器安全卫士
      • CDN加速
      热门推荐
      • 云服务备份
      • 边缘安全加速平台
      • 全站加速
      • 安全加速
      • 云服务器
      • 云主机
      • 智能边缘云
      • 应用编排服务
      • 微服务引擎
      • 共享流量包
      更多推荐
      • web应用防火墙
      • 密钥管理
      • 等保咨询
      • 安全专区
      • 应用运维管理
      • 云日志服务
      • 文档数据库服务
      • 云搜索服务
      • 数据湖探索
      • 数据仓库服务
      友情链接
      • 中国电信集团
      • 189邮箱
      • 天翼企业云盘
      • 天翼云盘
      ©2025 天翼云科技有限公司版权所有 增值电信业务经营许可证A2.B1.B2-20090001
      公司地址:北京市东城区青龙胡同甲1号、3号2幢2层205-32室
      • 用户协议
      • 隐私政策
      • 个人信息保护
      • 法律声明
      备案 京公网安备11010802043424号 京ICP备 2021034386号