opencv旋转缩放匹配代码

以下是使用OpenCV进行旋转、缩放和匹配的示例代码：

import cv2

# 读取原图和模板图
img = cv2.imread('original_image.jpg')
template = cv2.imread('template_image.jpg')

# 将模板图缩小为原图的1/3
template = cv2.resize(template, None, fx=0.33, fy=0.33, interpolation=cv2.INTER_CUBIC)

# 将原图和模板图转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
template_gray = cv2.cvtColor(template, cv2.COLOR_BGR2GRAY)

# 获取模板图的高度和宽度
h, w = template_gray.shape[:2]

# 使用SIFT算法检测关键点和描述符
sift = cv2.xfeatures2d.SIFT_create()
kp1, des1 = sift.detectAndCompute(template_gray, None)
kp2, des2 = sift.detectAndCompute(img_gray, None)

# 使用FLANN匹配算法进行特征点匹配
index_params = dict(algorithm=0, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)

# 通过比率测试来筛选匹配点
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

# 如果匹配点数量大于4，则计算变换矩阵
if len(good_matches) > 4:
    src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

    # 将模板图的四个角变换为在原图中的位置
    pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2)
    dst = cv2.perspectiveTransform(pts, M)

    # 在原图中绘制出匹配到的模板图的轮廓
    img = cv2.polylines(img, [np.int32(dst)], True, (0, 255, 0), 2, cv2.LINE_AA)

# 显示结果
cv2.imshow('Matched', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这段代码的作用是：首先读取原图和模板图，将模板图缩小为原图的1/3，然后将原图和模板图转换为灰度图，并使用SIFT算法检测关键点和描述符。接着使用FLANN匹配算法进行特征点匹配，通过比率测试来筛选匹配点。如果匹配点数量大于4，则计算变换矩阵，并将模板图的四个角变换为在原图中的位置，最后在原图中绘制出匹配到的模板图的轮廓。