python opencv 识别 表格（OpenCV-Python特征匹配单应性查找对象）

python opencv 识别 表格（OpenCV-Python特征匹配单应性查找对象）if len(good)>MIN_MATCH_COUNT: src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1 1 2) dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1 1 2) M mask = cv.findHomography(src_pts dst_pts cv.RANSAC 5.0) matchesMask = mask.ravel().tolist() h w d = img1.shape pts = np.float32([ [0 0] [0 h-1] [w-1 h-1] [w-1 0] ]).reshape(-1 1 2) dst

目标

在本章节中，我们将把calib3d模块中的特征匹配和findHomography混合在一起，以在复杂图像中找到已知对象。

基础

那么我们在上一环节上做了什么？我们使用了queryImage，找到了其中的一些特征点，我们使用了另一个trainImage，也找到了该图像中的特征，并且找到了其中的最佳匹配。简而言之，我们在另一个混乱的图像中找到了对象某些部分的位置。此信息足以在trainImage上准确找到对象。

为此，我们可以使用calib3d模块中的函数，即cv.findHomography()。如果我们从两个图像中传递点集，它将找到该对象的透视变换。然后，我们可以使用cv.perspectiveTransform()查找对象。找到转换至少需要四个正确的点。

我们已经看到，匹配时可能会出现一些可能影响结果的错误。为了解决这个问题，算法使用RANSAC或LEAST_MEDIAN（可以由标志决定）。因此，提供正确估计的良好匹配称为“内部点”，其余的称为“外部点”。cv.findHomography()返回指定内部和外部点的掩码。

让我们开始吧！！！

代码

首先，像往常一样，让我们​​在图像中找到SIFT功能并应用比例测试以找到最佳匹配。

import numpy as np import cv2 as cv from matplotlib import pyplot as plt MIN_MATCH_COUNT = 10 img1 = cv.imread('box.png' 0) # 索引图像 img2 = cv.imread('box_in_scene.png' 0) # 训练图像 # 初始化SIFT检测器 sift = cv.xfeatures2d.SIFT_create() # 用SIFT找到关键点和描述符 kp1 des1 = sift.detectAndCompute(img1 None) kp2 des2 = sift.detectAndCompute(img2 None) FLANN_INDEX_KDTREE = 1 index_params = dict(algorithm = FLANN_INDEX_KDTREE trees = 5) search_params = dict(checks = 50) flann = cv.FlannBasedMatcher(index_params search_params) matches = flann.knnMatch(des1 des2 k=2) # ＃根据Lowe的比率测试存储所有符合条件的匹配项。 good = [] for m n in matches: if m.distance < 0.7*n.distance: good.append(m)

现在我们设置一个条件，即至少有10个匹配项（由MIN_MATCH_COUNT定义）可以找到对象。否则，只需显示一条消息，说明没有足够的匹配项。

如果找到足够的匹配项，我们将在两个图像中提取匹配的关键点的位置。他们被传递以寻找预期的转变。一旦获得了这个3x3转换矩阵，就可以使用它将索引图像的角转换为训练图像中的相应点。然后我们画出来。

if len(good)>MIN_MATCH_COUNT: src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1 1 2) dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1 1 2) M mask = cv.findHomography(src_pts dst_pts cv.RANSAC 5.0) matchesMask = mask.ravel().tolist() h w d = img1.shape pts = np.float32([ [0 0] [0 h-1] [w-1 h-1] [w-1 0] ]).reshape(-1 1 2) dst = cv.perspectiveTransform(pts M) img2 = cv.polylines(img2 [np.int32(dst)] True 255 3 cv.LINE_AA) else: print( "Not enough matches are found - {}/{}".format(len(good) MIN_MATCH_COUNT) ) matchesMask = None

最后，我们绘制内部线（如果成功找到对象）或匹配关键点（如果失败）。

draw_params = dict(matchColor = (0 255 0) # 用绿色绘制匹配 singlePointColor = None matchesMask = matchesMask # 只绘制内部点 flags = 2) img3 = cv.drawMatches(img1 kp1 img2 kp2 good None **draw_params) plt.imshow(img3 'gray') plt.show()

请参阅下面的结果。对象在混乱的图像中标记为白色：