Comment visualiser le descripteur correspondant à l'aide d'opencv module en python

J'ai aussi écrit quelque chose de moi-même qui utilise juste le OpenCV Python interface et je n'ai pas utilisé scipy. drawMatches fait partie de OpenCV 3.0.0 et ne fait pas partie de OpenCV 2, qui est ce que je suis en train d'utiliser. Même si je suis en retard à la fête, voici ma propre mise en œuvre qui imite drawMatches au meilleur de mes capacités.

J'ai fourni mes propres images où l'on est d'un appareil photo homme, et l'autre est la même image mais avec une rotation de 55 degrés dans le sens antihoraire.

Le principe de base de ce que j'ai écrit, c'est que j'alloue une sortie RVB de l'image où le nombre de lignes est le maximum des deux images pour accueillir pour placer les deux images dans l'image de sortie et les colonnes sont simplement la somme des deux colonnes. Je place chaque image dans leurs taches correspondant, puis exécutez à travers une boucle de toutes les paires de keypoints. J'ai extrait ce qui keypoints mis en correspondance entre les deux images, puis de les extraire de leur (x,y) coordonnées. Ensuite, je dessine des cercles à chacun de l'emplacement détecté, puis tracez une ligne reliant ces cercles ensemble.

Garder à l'esprit que l'détecté point crucial dans la seconde image est à l'égard de son propre système de coordonnées. Si vous voulez placer dans la sortie finale de l'image, il faut compenser la colonne de coordonner par le nombre de colonnes de la première image de sorte que la colonne de coordonner l'est à l'égard du système de coordonnées de l'image de sortie.

Sans plus tarder:

import numpy as np
import cv2
def drawMatches(img1, kp1, img2, kp2, matches):
"""
My own implementation of cv2.drawMatches as OpenCV 2.4.9
does not have this function available but it's supported in
OpenCV 3.0.0
This function takes in two images with their associated 
keypoints, as well as a list of DMatch data structure (matches) 
that contains which keypoints matched in which images.
An image will be produced where a montage is shown with
the first image followed by the second image beside it.
Keypoints are delineated with circles, while lines are connected
between matching keypoints.
img1,img2 - Grayscale images
kp1,kp2 - Detected list of keypoints through any of the OpenCV keypoint 
detection algorithms
matches - A list of matches of corresponding keypoints through any
OpenCV keypoint matching algorithm
"""
# Create a new output image that concatenates the two images together
# (a.k.a) a montage
rows1 = img1.shape[0]
cols1 = img1.shape[1]
rows2 = img2.shape[0]
cols2 = img2.shape[1]
out = np.zeros((max([rows1,rows2]),cols1+cols2,3), dtype='uint8')
# Place the first image to the left
out[:rows1,:cols1,:] = np.dstack([img1, img1, img1])
# Place the next image to the right of it
out[:rows2,cols1:cols1+cols2,:] = np.dstack([img2, img2, img2])
# For each pair of points we have between both images
# draw circles, then connect a line between them
for mat in matches:
# Get the matching keypoints for each of the images
img1_idx = mat.queryIdx
img2_idx = mat.trainIdx
# x - columns
# y - rows
(x1,y1) = kp1[img1_idx].pt
(x2,y2) = kp2[img2_idx].pt
# Draw a small circle at both co-ordinates
# radius 4
# colour blue
# thickness = 1
cv2.circle(out, (int(x1),int(y1)), 4, (255, 0, 0), 1)   
cv2.circle(out, (int(x2)+cols1,int(y2)), 4, (255, 0, 0), 1)
# Draw a line in between the two points
# thickness = 1
# colour blue
cv2.line(out, (int(x1),int(y1)), (int(x2)+cols1,int(y2)), (255, 0, 0), 1)
# Show the image
cv2.imshow('Matched Features', out)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

Pour bien montrer que cela fonctionne, voici les deux images que j'ai utilisé:

J'ai utilisé OpenCV l'ORBE de détecteur pour détecter les keypoints, et a utilisé le normalisé de Hamming distance sur la distance de mesure de similarité que c'est un binaire descripteur. En tant que tel:

import numpy as np
import cv2
img1 = cv2.imread('cameraman.png') # Original image
img2 = cv2.imread('cameraman_rot55.png') # Rotated image
# Create ORB detector with 1000 keypoints with a scaling pyramid factor
# of 1.2
orb = cv2.ORB(1000, 1.2)
# Detect keypoints of original image
(kp1,des1) = orb.detectAndCompute(img1, None)
# Detect keypoints of rotated image
(kp2,des2) = orb.detectAndCompute(img2, None)
# Create matcher
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# Do matching
matches = bf.match(des1,des2)
# Sort the matches based on distance.  Least distance
# is better
matches = sorted(matches, key=lambda val: val.distance)
# Show only the top 10 matches
drawMatches(img1, kp1, img2, kp2, matches[:10])

---

C'est l'image que j'obtiens:

OriginalL'auteur rayryeng