تطبیق ویژگی‌ها - Feature Matching
¶

مبانی Brute-Force Matcher
¶

تطبیق Brute-Force از لحاظ الگوریتم واقعا ساده است. هربار یک ویژگی را از تصویر اول در نظر گرفته و براساس فاصله‌ی توصیفگر این ویژگی از سایر توصیفگرهای متعلق به ویژگی‌های تصویر دوم نزدیکترین مطابقت ویژگی در نظر گرفته شده از تصویر اول با ویژگی تصویر دوم را پیدا می‌کند.
برای تطبیق BF، ابتدا باید شی BFMatcher را با استفاده از ()cv.BFMatcher ایجاد کنیم.
این شئ دو پارامتر اختیاری می گیرد:
اولین مورد normType است که نحوه‌ی اندازه گیری فاصله مورد استفاده را مشخص می کند که به طور پیش فرض cv.NORM_L2 است. این فاصله پیش فرض برای SIFT، SURF و الگوریتمهای مشابه این روش‌ها خوب است (cv.NORM_L1 نیز وجود دارد). اما برای توصیفگرهای مبتنی بر رشته باینری مانند ORB، BRIEF، BRISK و غیره، باید از cv.NORM_HAMMING استفاده شود که از فاصله همینگ به عنوان اندازه گیری استفاده می کند.
اگر ORB از WTA_K == 3 یا 4 استفاده می کند، باید از cv.NORM_HAMMING2 استفاده شود.
پارامتر دوم متغیری به نام CrossCheck و از جنس بولین یا bool است. این متغیر به طور پیش‌فرض مقدار False دارد ولی اگر این آرگومان را True بزاریم فقط مواردی را بر میگرداند که اگر زوج مرتب (i,j) را این‌گونه در نظر بگیریم که توصیفگر i-ام از تصویر A با توصیفگر j-ام از تصویر B تطبیق پیدا کرده است، شرایط برعکس هم برایش صدق کند. یعنی این دو ویژگی با عوض کردم جای A و B بازهم باید باهم منطبق بشوند که نتایج مطمئنتری را برمیگرداند!
پس از ایجاد این شئ، دو روش مهم BFMatcher.match() و BFMatcher.knnMatch() را خواهیم داشت. اولی بهترین تطبیق را برمی گرداند، درحالیکه روش دوم k بهترین انبطباق را برمی‌گرداند که k توسط کاربر مشخص می‌شود.

In [1]:

import numpy as np
import cv2
import matplotlib.pyplot as plt

img1 = cv2.imread('images/box.png',0)          # queryImage
img2 = cv2.imread('images/box_in_scene.png',0) # trainImage

# Initiate ORB detector
orb = cv2.ORB_create()

# find the keypoints and descriptors with ORB
kp1, des1 = orb.detectAndCompute(img1,None)
kp2, des2 = orb.detectAndCompute(img2,None)

# create BFMatcher object
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# Match descriptors.
matches = bf.match(des1,des2)
# Sort them in the order of their distance.
matches = sorted(matches, key = lambda x:x.distance)
# Draw first 10 matches.
img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None,flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
plt.imshow(img3),plt.show();

import numpy as np import cv2 import matplotlib.pyplot as plt img1 = cv2.imread('images/box.png', 0) # queryImage img2 = cv2.imread('images/box_in_scene.png', 0) # trainImage # Initiate SIFT detector sift = cv2.SIFT_create() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # BFMatcher with default params bf = cv2.BFMatcher() matches = bf.knnMatch(des1,des2,k=2) # Apply ratio test good = [] for m,n in matches: if m.distance < 0.75*n.distance: good.append([m]) # cv.drawMatchesKnn expects list of lists as matches. img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.imshow(img3),plt.show()

import numpy as np import cv2 import matplotlib.pyplot as plt img1 = cv2.imread('images/arm.jpg', 0) # queryImage img2 = cv2.imread('images/ketab.jpg', 0) # trainImage # Initiate SIFT detector sift = cv2.SIFT_create() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # BFMatcher with default params bf = cv2.BFMatcher() matches = bf.match(des1,des2) img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches,None,flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) matches = bf.knnMatch(des1,des2,k=2) # Apply ratio test good = [] for m,n in matches: if m.distance < 0.75*n.distance: good.append([m]) # cv.drawMatchesKnn expects list of lists as matches. img4 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS) plt.figure(figsize=[10,5]) plt.subplot(121),plt.imshow(img3, cmap='gray'),plt.title('Simple Sift match'); plt.subplot(122),plt.imshow(img4, cmap='gray'),plt.title('With Ratio Test');

import numpy as np import cv2 import matplotlib.pyplot as plt img1 = cv2.imread('images/arm.jpg', 0) img2 = cv2.imread('images/ketab.jpg', 0) # Initiate SIFT detector sift = cv2.SIFT_create() # find the keypoints and descriptors with SIFT kp1, des1 = sift.detectAndCompute(img1,None) kp2, des2 = sift.detectAndCompute(img2,None) # FLANN parameters FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5) search_params = dict(checks=50) # or pass empty dictionary flann = cv2.FlannBasedMatcher(index_params,search_params) matches = flann.knnMatch(des1,des2,k=2) # Need to draw only good matches, so create a mask matchesMask = [[0,0] for i in range(len(matches))] # ratio test as per Lowe's paper for i,(m,n) in enumerate(matches): if m.distance < 0.7*n.distance: matchesMask[i]=[1,0] draw_params = dict(matchColor = (0,255,0), singlePointColor = (255,0,0), matchesMask = matchesMask, flags = cv2.DrawMatchesFlags_DEFAULT) img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params) plt.imshow(img3,),plt.show()

تطبیق ویژگی‌ها - Feature Matching
¶

مبانی Brute-Force Matcher
¶

تطبیق Brute-Force با توصیفگرهای SIFT و تست نسبت

Matcher مبتنی بر FLANN

تطبیق ویژگی‌ها - Feature Matching¶

مبانی Brute-Force Matcher¶

تطبیق Brute-Force با توصیفگرهای SIFT و تست نسبت

Matcher مبتنی بر FLANN

تطبیق ویژگی‌ها - Feature Matching
¶

مبانی Brute-Force Matcher
¶