摘要：匹配器匹配非常簡單，首先在第一幅圖像中選取一個關鍵點然后依次與第二幅圖像的每個關鍵點進行描述符距離測試，最后返回距離最近的關鍵點對于匹配器，首先我們必須使用創建對象。

Feature Matching

Brute-Force匹配非常簡單，首先在第一幅圖像中選取一個關鍵點然后依次與第二幅圖像的每個關鍵點進行（描述符）距離測試，最后返回距離最近的關鍵點.

對于BF匹配器，首先我們必須使用cv2.BFMatcher（）創建BFMatcher對象。它需要兩個可選的參數.

第一個是normType,它指定要使用的距離測量,默認情況下，它是cv2.NORM_L2.它適用于SIFT，SURF等（cv2.NORM_L1也在那里）.對于基于二進制字符串的描述符，如ORB，BRIEF，BRISK等，應使用cv2.NORM_HAMMING,使用漢明距離作為度量,如果ORB使用WTA_K == 3or4，則應使用cv2.NORM_HAMMING2.

crossCheck：默認值為False。如果設置為True，匹配條件就會更加嚴格，只有到A中的第i個特征點與B中的第j個特征點距離最近，并且B中的第j個特征點到A中的第i個特征點也是最近時才會返回最佳匹配，即這兩個特征點要互相匹配才行.

兩個重要的方法是BFMatcher.match（）和BFMatcher.knnMatch（）, 第一個返回最佳匹配, 第二種方法返回k個最佳匹配，其中k由用戶指定.

使用cv2.drawMatches()來繪制匹配的點，它會將兩幅圖像先水平排列，然后在最佳匹配的點之間繪制直線。如果前面使用的BFMatcher.knnMatch()，現在可以使用函數cv2.drawMatchsKnn為每個關鍵點和它的個最佳匹配點繪制匹配線。如果要選擇性繪制就要給函數傳入一個掩模.

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

img1 = cv2.imread("img.jpg",0)          # queryImage
img2 = cv2.imread("img1.jpg",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=2)

plt.imshow(img3),plt.show()

matches = bf.match（des1，des2）行的結果是DMatch對象的列表。 此DMatch對象具有以下屬性：
?DMatch.distance - 描述符之間的距離。 越低越好。
?DMatch.trainIdx - 訓練描述符中描述符的索引
?DMatch.queryIdx - 查詢描述符中描述符的索引
?DMatch.imgIdx - 訓練圖像的索引

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

img1 = cv2.imread("img.jpg",0)          # queryImage
img2 = cv2.imread("img1.jpg",0) # trainImage

# Initiate SIFT detector
sift = cv2.xfeatures2d.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=2)

plt.imshow(img3),plt.show()

FLANN 代表 Fast Library for Approximate Nearest Neighbors. 它包含一組算法，這些算法針對大型數據集中的快速最近鄰搜索和高維特征進行了優化.對于大型數據集，它比BFMatcher工作得更快.

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

img1 = cv2.imread("img.jpg",0)          # queryImage
img2 = cv2.imread("img1.jpg",0) # trainImage

# Initiate SIFT detector
sift = cv2.xfeatures2d.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 = 0)

img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,matches,None,**draw_params)

plt.imshow(img3,),plt.show()