SIFT算法得到了图像中的特征点以及相应的特征描述，一般的可以使用K近邻(KNN)算法。K近邻算法求取在空间中距离最近的K个数据点，并将这些数据点归为一类。在进行特征点匹配时，一般使用KNN算法找到最近邻的两个数据点，如果最接近和次接近的比值大于一个既定的值，那么我们保留这个最接近的值，认为它和其匹配的点为good match

def get_good_match(des1,des2):

bf = cv2.BFMatcher()

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

good = []

for m, n in matches:

if m.distance < 0.75 * n.distance:

good.append(m)

return good

3.单应性矩阵Homography Matrix

通过上面的步骤，我们找到了若干两张图中的匹配点，如何将其中一张图通过旋转、变换等方式将其与另一张图对齐呢？这就用到了单应性矩阵了。Homography这个词由Homo和graphy，Homo意为同一，graphy意为图像，也就是同一个东西产生的图像。

单应性矩阵有八个参数，如果要解这八个参数的话，需要八个方程，由于每一个对应的像素点可以产生2个方程(x一个，y一个)，那么总共只需要四个像素点就能解出这个单应性矩阵。

RANSAC算法选择其中最优的四个点

随机抽样一致算法(Random sample consensus:RANSAC)

其中：

第一个参数为需要投影的图像(img2)

第二个参数为单应性矩阵(H)

第三个参数为所得图像的矩阵大小((img1.shape[1],img1.shape[0]) )

最后的参数cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP，为插值时使用的插值方法INTER_LINEAR，cv2.WARP_INVERSE_MAP则将M设置为dst--->src的方向变换。

def siftImageAlignment(img1,img2):

_,kp1,des1 = sift_kp(img1)

_,kp2,des2 = sift_kp(img2)

goodMatch = get_good_match(des1,des2)

if len(goodMatch) > 4:

ptsA= np.float32([kp1[m.queryIdx].pt for m in goodMatch]).reshape(-1, 1, 2)

ptsB = np.float32([kp2[m.trainIdx].pt for m in goodMatch]).reshape(-1, 1, 2)

ransacReprojThreshold = 4

H, status =cv2.findHomography(ptsA,ptsB,cv2.RANSAC,ransacReprojThreshold);

imgOut = cv2.warpPerspective(img2, H, (img1.shape[1],img1.shape[0]),flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)

return imgOut,H,status

5.综合应用：

import numpy as np

import cv2

import Utility

img1 = cv2.imread('1.jpg')

img2 = cv2.imread('2.jpg')

result,_,_ = siftImageAlignment(img1,img2)

allImg = np.concatenate((img1,img2,result),axis=1)

cv2.namedWindow('Result',cv2.WINDOW_NORMAL)

cv2.imshow('Result',allImg)

cv2.waitKey(0)

6.SIFT速度太慢，利用surf检测

def surf_kp(image):

'''SIFT(surf)特征点检测(速度比sift快)'''

height, width = image.shape[:2]

size = (int(width * 0.2), int(height * 0.2))

shrink = cv2.resize(image, size, interpolation=cv2.INTER_AREA)

gray_image = cv2.cvtColor(shrink,cv2.COLOR_BGR2GRAY)

surf = cv2.xfeatures2d_SURF.create()

kp, des = surf.detectAndCompute(gray_image, None)

return kp,des

为了再一次提升速度将图片进行了缩放，再进行匹配的时候要对4对坐标点进行相应的放大即可。

ORB速度更快，不过效果较差