2. 基于SIFT或ORB局部特征的图像匹配的代码

以下是使用 SIFT 特征进行图像匹配的 Python 代码示例：

import cv2

# 读取图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

# 初始化SIFT检测器
sift = cv2.xfeatures2d.SIFT_create()

# 检测关键点和计算描述符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# 初始化暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)

# 匹配两幅图像的描述符
matches = bf.match(des1, des2)

# 按照距离从小到大排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制匹配结果
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

# 显示结果
cv2.imshow('Matching Result', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

在代码中，首先读取两幅待匹配的图像，然后使用 SIFT 检测器检测关键点并计算描述符。接下来，使用暴力匹配器 `cv2.BFMatcher()` 对两幅图像的描述符进行匹配，并按照距离从小到大排序。最后，使用 `cv2.drawMatches()` 函数绘制匹配结果并显示。

类似地，以下是使用 ORB 特征进行图像匹配的 Python 代码示例：

import cv2

# 读取图像
img1 = cv2.imread('image1.jpg')
img2 = cv2.imread('image2.jpg')

# 初始化ORB检测器
orb = cv2.ORB_create()

# 检测关键点和计算描述符
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 初始化暴力匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 匹配两幅图像的描述符
matches = bf.match(des1, des2)

# 按照距离从小到大排序
matches = sorted(matches, key=lambda x: x.distance)

# 绘制匹配结果
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)

# 显示结果
cv2.imshow('Matching Result', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

在代码中，和使用 SIFT 特征的代码类似，首先读取两幅待匹配的图像，然后使用 ORB 检测器检测关键点并计算描述符。接下来，同样使用暴力匹配器对两幅图像的描述符进行匹配，并按照距离从小到大排序。最后，同样使用 `cv2.drawMatches()` 函数绘制匹配结果并显示。需要注意的是，在使用 ORB 特征进行图像匹配时，需要使用汉明距离（`cv2.NORM_HAMMING`）作为匹配器的距离度量方式。