1、match
# 初始化 BFMatcherbf = cv.BFMatcher()# 对描述子进行匹配# des1/des2分别是两幅图片特征点的特征向量matches = bf.match(des1, des2)# 打印match返回数据的类型print(type(matches[0]))
match匹配的返回结果是DMatch类型。
DMatch数据结构包含三个非常重要的数据分别是queryIdx，trainIdx，distance；
queryIdx：某一特征点在本帧图像的索引；
trainIdx：trainIdx是该特征点在另一张图像中相匹配的特征点的索引；
distance：代表这一对匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近。print("queryIdx=%d"%matches[0].queryIdx)print("trainIdx=%d"%matches[0].trainIdx)print("distance=%d"%matches[0].distance)输出：queryIdx=0trainIdx=105distance=68
2、Knnmatch
bf = cv2.BFMatcher()
matches1 = bf.knnMatch(des1, des2, k=2)
# 打印match返回数据的类型
print(type(matches1[0]))<class 'tuple'>knnMatch匹配的返回结果是一个元组：说明结果不能改变；
对元组内元素进行类型查询： 所以Knnmatch与match的返回值类型一样，只不过一组返回的2个DMatch类型。
bf = cv2.BFMatcher() matches1 = bf.knnMatch(des1, des2, k=2)for x in matches1[0]:print(type(x))
3、总结
综上所知：
（1）match匹配的返回结果是DMatch类型。distance：代表这一对匹配的特征点描述符的欧式距离，数值越小也就说明俩个特征点越相近。
（2）Knnmatch与match的返回值类型一样，只不过一组返回的2个DMatch类型。这2个DMatch数据类型是2个与原图像特征点最接近的2个特征点（match返回的是最匹配的），只有这2个特征点的欧式距离小于一定值的时候才会认为匹配成功。(可以理解为：2个与原图像特征点最接近和次接近的特征点，一般第一个是最接近匹配点，第二个是次接近匹配点)
4、匹配优化
（1）对于match类型（注意显示匹配结果：cv.drawMatches）
# 初始化 BFMatcherbf = cv.BFMatcher()# 对描述子进行匹配# des1/des2分别是两幅图片特征点的特征向量matches = bf.match(des1, des2)# 计算最大距离和最小距离min_distance = matches[0].distancemax_distance = matches[0].distancefor x in matches:if x.distance < min_distance:min_distance = x.distanceif x.distance > max_distance:max_distance = x.distance# 筛选匹配点'''当描述子之间的距离大于两倍的最小距离时，认为匹配有误。但有时候最小距离会非常小，所以设置一个经验值30作为下限。'''good_match = []for x in matches:if x.distance <= max(2 * min_distance, 30):good_match.append(x)# 绘制匹配结果outimage = cv.drawMatches(img1, kp1, img2, kp2, match, outImg=None)
（2）对于Knnmatch类型（注意显示匹配结果：cv.drawMatchesKnn）
# 调整ratio
# ratio=0.4：对于准确度要求高的匹配；
# ratio=0.6：对于匹配点数目要求比较多的匹配；
# ratio=0.5：一般情况下。
ratio1 = 0.3
good1 = []for m1, n1 in matches1:
# 如果最接近和次接近的比值小于一个既定的值，那么我们保留这个最接近的值，认为它和其匹配的点为good_matchif m1.distance < ratio1 * n1.distance:good1.append([m1])
match_result1 = cv2.drawMatchesKnn(img1, kp1, img2, kp2, good1, None, flags=2)
