目录
FLANN算法
FLANN库全称是Fast Library for Approximate Nearest Neighbors，它是目前最完整的（近似）最近邻开源库。不但实现了一系列查找算法，还包含了一种自动选取最快算法的机制。
使用flann的搜索，整体来说分为两步，一是建立索引，二是搜索。
- 使用SIFT特征提取关键点；
- 计算SIFT特征描述子；
- 使用FLANN匹配器进行描述子向量匹配。
1、建立索引
其实就是要两部分参数，一是数据也就是mat矩阵，二是一些具体参数，这个参数要根据建立的索引类型来设置。而有哪些索引类型呢？ 共有：线性索引、KD-Tree索引、K均值索引、复合索引、LSH方法索引、自动索引 六种。
2、进行搜索
有两种搜索方式 ：knnSearch //搜索k邻近 、radiusSearch //搜索半径最近
从返回结果考虑两者的不同之处在于：
knnSearch返回最近邻的点（具体点的个数由用户设定，设n个就一定返回n个）；
radiusSearch返回搜索半径内所有点（即可能不存在符合条件的点，则返回空的）。
输出结果
实现代码
ML之SIFT：对图片提取SIFT特征并利用FLANN方法判别图像的相似度并可视化
1. sift = cv2.xfeatures2d.SIFT_create() 2. # 查找监测点和匹配符 3. kp1, des1 = sift.detectAndCompute(img1, None) 4. kp2, des2 = sift.detectAndCompute(img2, None) 5. print(len(kp1), len(des1) ) # 1402, 1402 6. 7. 8. FLANN_INDEX_KDTREE = 0 9. indexParams = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) 10. searchParams = dict(checks=50) 11. flann = cv2.FlannBasedMatcher(indexParams, searchParams) 12. # 进行匹配 13. matches = flann.knnMatch(des1, des2, k=2) 14. # 准备空的掩膜 画好的匹配项 15. matchesMask = [[0, 0] for i in range(len(matches))] 16. 17. for i, (m, n) in enumerate(matches): 18. if m.distance < 0.7*n.distance: 19. matchesMask[i] = [1, 0] 20. 21. drawPrams = dict(matchColor=(0, 255, 0), 22. singlePointColor=(255, 0, 0), 23. matchesMask=matchesMask, 24. flags=0) 25. img3 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, matches, None, **drawPrams) 26. img_PutText = cv2.putText(img3, "SIFT+kNNMatch: Image Similarity Comparisonn", (40, 40),cv2.FONT_HERSHEY_COMPLEX, 1.5, (0, 0, 255), 3,) 27. img4 = cv2.resize(img_PutText, (0, 0), fx=0.5, fy=0.5, interpolation=cv2.INTER_NEAREST) #缩小1/2 28. 29. cv2.imshow("matches", img4) 30. cv2.waitKey(7000) 31. cv2.destroyAllWindows()
