经RANSAC过滤的SIFT匹配来计算仿射变换的matable代码

以下是使用OpenCV库实现SIFT特征点匹配并使用RANSAC算法过滤后计算仿射变换矩阵的示例代码：

import numpy as np
import cv2

# 读取两张待匹配的图像
img1 = cv2.imread('image1.jpg', cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread('image2.jpg', cv2.IMREAD_GRAYSCALE)

# 创建SIFT对象
sift = cv2.xfeatures2d.SIFT_create()

# 在两幅图像中提取SIFT特征点和描述符
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

# 使用FLANN匹配器进行特征点匹配
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(des1, des2, k=2)

# 使用RANSAC算法过滤匹配点
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

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)

# 计算仿射变换矩阵
M, mask = cv2.estimateAffinePartial2D(src_pts, dst_pts, method=cv2.RANSAC)

print(M) # 输出仿射变换矩阵

其中，`img1`和`img2`为待匹配的两张图像，使用SIFT算法提取每张图像中的特征点和描述符，然后使用FLANN匹配器进行特征点匹配，得到初始的匹配点列表`matches`。接着，使用RANSAC算法过滤掉一些误匹配点，得到最终的匹配点列表`good_matches`。最后，使用`cv2.estimateAffinePartial2D`函数计算仿射变换矩阵`M`。