opencv-基于 SIFT 特征和 FLANN 匹配器的图像特征点匹配与可视化

指纹验证案例中，指纹1与模板图片匹配成功了，分别在两图内标出匹配成功点的坐标

要求：匹配结果最近的distance小于次接近distance的0.4

提示：cv2.circle(src, (x,y), 3, (0, 0, 255), -1)，绘制实心圆

分块详解

第1块：导入和辅助函数

import cv2

def cv_show(name, img):

cv2.imshow(name, img)

cv2.waitKey(0)

作用：导入 OpenCV 库，定义显示图像的函数 cv_show，它创建一个窗口显示图像，并等待按键后关闭窗口（waitKey(0) 表示无限等待）。

第2块：读取并显示原始图像

src1 = cv2.imread('1.bmp')

model = cv2.imread('3.bmp')

cv_show('src1', src1)

cv_show('model', model)

作用：从文件读取两张待匹配的图像（src1 为待匹配图，model 为模板图），并显示它们以确认读取成功。

第3块：SIFT 特征提取

sift = cv2.SIFT_create()

kp1, des1 = sift.detectAndCompute(src1, None)

kp2, des2 = sift.detectAndCompute(model, None)

作用：创建 SIFT 对象，检测每张图像的关键点（kp）并计算对应的描述子（des）。描述子是 128 维向量，用于后续匹配。SIFT 就像一个"细节提取机"，它会自动在大图和小图里找出最突出的角角落落、纹理变化大的点 （比如扇子的尖角、图案的边缘）。这些点叫"关键点"（kp），而 des 就是每个点的"身份证号码"（一串数字）。
重要函数 ：cv2.SIFT_create() 和 detectAndCompute(image, mask)：
- cv2.SIFT_create()：返回 SIFT 对象，可选参数有 nfeatures（特征点数量）、nOctaveLayers 等。
- detectAndCompute(image, mask)：image 是输入图像（灰度或彩色），mask 是可选掩膜，指定感兴趣区域。返回值是 (keypoints, descriptors)，keypoints 是 KeyPoint 对象列表，descriptors 是形状为 (N, 128) 的 numpy 数组。

第4块：FLANN 匹配器创建与 kNN 匹配

flann = cv2.FlannBasedMatcher()

matches = flann.knnMatch(des1, des2, k=2)

作用：基于 FLANN（快速最近邻搜索库）创建匹配器，对 des1 中的每个描述子在 des2 中找出最近的 2 个 匹配（k=2），返回 matches，它是一个列表，每个元素是包含 2 个 DMatch 对象的元组。其实就是找两个最像的描述子
重要函数 ：cv2.FlannBasedMatcher([index_params[, search_params]])：
- 若不传参，使用默认参数，但对于 SIFT 描述子（浮点型），建议指定索引参数为 KDTree，例如：
  
  index_params = dict(algorithm=1, trees=5)
  
  search_params = dict(checks=50)
  
  flann = cv2.FlannBasedMatcher(index_params, search_params)
- knnMatch(queryDescriptors, trainDescriptors, k)：query 为第一幅图的描述子，train 为第二幅图的描述子，k 为返回的最近邻个数。返回值 matches 是 List[List[DMatch]]。

第5块：Lowe's 比率测试筛选优质匹配

good = \[\]

alist = \[\]

for m, n in matches:

if m.distance < 0.4 * n.distance:

alist.append((m.queryIdx, m.trainIdx))

good.append((m, n))

作用：对每个 (m, n) 对，m 是最近邻，n 是次近邻。如果 m.distance 远小于 n.distance（阈值 0.4），则认为 m 是可靠的匹配。这里 0.4 设置得越小，留下的匹配点越少，但越精准。筛选后：
- alist 存储匹配点对在各自关键点列表中的索引，用于后续绘制圆点。
- good 存储原始匹配对 (m, n)，但注意这里 good 的元素是元组，用于后续 drawMatchesKnn 时会出错（应为列表的列表）。
重要：Lowe 比率测试是 SIFT 匹配中的经典筛选方法，阈值通常取 0.7~0.8。

第6块：在两张原图上绘制筛选出的关键点（红色圆点）

for i, j in alist:

x, y = kp1 $i$ .pt

m, n = kp2 $j$ .pt

cv2.circle(src1, (int(x), int(y)), 3, (0, 0, 255), -1)

cv2.circle(model, (int(m), int(n)), 3, (0, 0, 255), -1)

cv_show('Marked src1', src1)

cv_show('Marked model', model)

作用：遍历筛选出的匹配索引，提取关键点坐标，用红色实心圆标记在图像上。注意此处直接修改了 src1 和 model 原图。
alist ：只记了匹配上的点的"编号"，.pt：选取对应点的坐标

第7块：绘制匹配连线（显示匹配关系）

matched_image = cv2.drawMatchesKnn(

src1, kp1, model, kp2, good, None,

flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS

)

cv_show('matched', matched_image)

作用：生成一张拼接图像，左边是 src1，右边是 model，并在两者之间用线条连接匹配点对。
重要函数 ：cv2.drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg, ...)：
- 参数：
  - img1：第一张图像。
  - keypoints1：第一张图像的关键点。
  - img2：第二张图像。
  - keypoints2：第二张图像的关键点。
  - matches1to2：必须是一个列表的列表 ，每个子列表包含一个或多个 DMatch 对象（通常用于 kNN 的 k>1 情形）。若只绘制单一匹配，应传入 [[m1], [m2], ...] 的形式。
  - outImg：输出图像，可传入 None 让函数自动创建。
  - flags：绘制标志，常用有：
    - cv2.DRAW_MATCHES_FLAGS_DEFAULT（默认）
    - cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS（绘制关键点圆和方向）
    - cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS（不绘制未匹配到的点）
- 返回值：绘制后的彩色图像。

重要代码单独总结

代码片段	作用	关键参数说明
`sift = cv2.SIFT_create()`	创建 SIFT 对象	可选参数：`nfeatures`（保留特征点数量）、`contrastThreshold`（对比度阈值）等。
`sift.detectAndCompute(img, mask)`	检测关键点并计算描述子	`img`：输入图像，`mask`：感兴趣区域掩膜；返回 `kp`（`KeyPoint` 列表）和 `des`（`N×128` 数组）。
`cv2.FlannBasedMatcher(index_params, search_params)`	创建 FLANN 匹配器	`index_params`：索引参数，SIFT 常用 `dict(algorithm=1, trees=5)`；`search_params`：搜索参数，常用 `dict(checks=50)`。
`flann.knnMatch(des1, des2, k=2)`	k 近邻匹配	`des1` 和 `des2` 为描述子矩阵，`k=2` 返回两个最近邻。返回 `List[List[DMatch]]`。
`cv2.drawMatchesKnn(...)`	绘制匹配连线	关键参数已在上文详述，注意 `matches` 必须是列表的列表。