一、引言

在當今數字化的時代，計算機視覺技術正以前所未有的速度改變著我們的生活。從智能手機的人臉識別解鎖到自動駕駛汽車的環境感知，從工業生產中的質量檢測到醫療領域的影像分析，計算機視覺無處不在。OpenCV（Open Source Computer Vision Library）作為計算機視覺領域最具影響力的開源庫之一，為開發者和研究人員提供了強大而便捷的工具。它擁有超過 2500 種優化算法，涵蓋了圖像和視頻處理、特征提取、目標檢測、機器學習等多個領域。本文將基于 Python 語言，全面深入地介紹 OpenCV 的各個方面，從基礎操作到高級應用，幫助讀者逐步掌握這一強大的工具。

二、OpenCV 的安裝

在 Python 環境中安裝 OpenCV 非常便捷，主要有兩種常見的安裝方式。

（一）使用 pip 安裝

通過 pip 包管理器，我們可以輕松地安裝 OpenCV。在命令行中輸入以下命令：

pip install opencv-python

如果需要安裝包含擴展功能的版本（如 SIFT、SURF 等算法，這些算法在非商業用途下可用），可以使用以下命令：

pip install opencv-contrib-python

（二）使用 Anaconda 安裝

如果你使用 Anaconda 作為 Python 環境管理工具，可以使用以下命令進行安裝：

conda install -c conda-forge opencv

安裝完成后，我們可以在 Python 代碼中導入 OpenCV 庫進行測試：

import cv2
print(cv2.__version__)

如果能夠正常輸出 OpenCV 的版本號，說明安裝成功。
如4.11.0

以下是去掉對圖像讀取檢查后的代碼內容，為你擴充了標題 3 - 5 的代碼和解釋：

三、OpenCV 基礎操作

（一）圖像的讀取、顯示與保存

1. 讀取圖像
   使用 cv2.imread() 函數讀取圖像文件，支持常見的圖像格式如 .jpg、.png 等。函數第一個參數為圖像文件路徑，第二個參數指定讀取模式。常見的讀取模式有：
   • cv2.IMREAD_COLOR：以彩色模式讀取圖像，默認模式。
   • cv2.IMREAD_GRAYSCALE：以灰度模式讀取圖像。
   • cv2.IMREAD_UNCHANGED：讀取包含透明度通道的圖像。

import cv2# 以彩色模式讀取圖像
color_image = cv2.imread('example.jpg', cv2.IMREAD_COLOR)
# 以灰度模式讀取圖像
gray_image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 讀取包含透明度通道的圖像
alpha_image = cv2.imread('example.png', cv2.IMREAD_UNCHANGED)

解釋：cv2.imread() 是 OpenCV 中用于讀取圖像的核心函數。通過不同的讀取模式參數，可以靈活地獲取圖像的不同表示形式。彩色模式讀取的圖像包含三個通道（BGR），灰度模式將圖像轉換為單通道，而讀取帶透明度通道的圖像適用于處理 PNG 等支持透明度的圖像格式。

2. 顯示圖像
   通過 cv2.imshow() 函數顯示圖像，第一個參數是窗口名稱，第二個參數是要顯示的圖像對象。使用 cv2.waitKey() 等待用戶按鍵，cv2.destroyAllWindows() 關閉所有窗口。

# 顯示彩色圖像
cv2.imshow('Color Image', color_image)
# 顯示灰度圖像
cv2.imshow('Gray Image', gray_image)# 等待用戶按鍵（0 表示無限等待）
cv2.waitKey(0)
# 關閉所有窗口
cv2.destroyAllWindows()

解釋：cv2.imshow() 用于在一個新窗口中顯示圖像，窗口名稱用于區分不同的顯示窗口。cv2.waitKey() 函數會阻塞程序，直到用戶按下任意鍵，參數為 0 時表示無限等待。cv2.destroyAllWindows() 用于關閉所有由 OpenCV 創建的窗口，釋放資源。

3. 保存圖像
   利用 cv2.imwrite() 函數保存圖像，第一個參數為保存路徑，第二個參數是要保存的圖像。

# 保存灰度圖像
cv2.imwrite('saved_gray_image.jpg', gray_image)

解釋：cv2.imwrite() 函數將指定的圖像保存到指定的文件路徑。保存的文件格式由文件擴展名決定，如 .jpg、.png 等。

（二）圖像的基本屬性與操作

1. 圖像的基本屬性
   圖像在 OpenCV 中以 NumPy 數組形式存儲，我們可以獲取其高度、寬度和通道數等屬性。

import cv2image = cv2.imread('example.jpg')
height, width, channels = image.shape
print(f"圖像高度: {height}, 寬度: {width}, 通道數: {channels}")
# 額外獲取圖像的數據類型
print(f"圖像的數據類型: {image.dtype}")

解釋：圖像在 OpenCV 里被存儲為 NumPy 數組，通過 shape 屬性可以獲取圖像的基本尺寸信息，dtype 屬性則能查看圖像的數據類型，通常為 uint8（8 位無符號整數）。

2. 圖像的像素訪問
   可以直接通過索引訪問和修改圖像的像素值。

import cv2image = cv2.imread('example.jpg')
# 獲取坐標(100, 100)處的像素值（BGR 格式）
pixel = image[100, 100]
print(f"坐標(100, 100)處的像素值（BGR 格式）: {pixel}")
# 修改坐標(100, 100)處的像素值為白色
image[100, 100] = [255, 255, 255]
new_pixel = image[100, 100]
print(f"修改后坐標(100, 100)處的像素值（BGR 格式）: {new_pixel}")

解釋：由于圖像是 NumPy 數組，所以可以像操作數組一樣通過索引來訪問和修改像素值。在 OpenCV 中，彩色圖像的像素值是按 BGR（藍、綠、紅）順序存儲的。

3. 圖像的裁剪、縮放與旋轉

• 裁剪
  通過指定行和列的范圍來裁剪圖像。

import cv2image = cv2.imread('example.jpg')
# 裁剪圖像，獲取坐標(100, 100)到(300, 300)的區域
cropped_image = image[100:300, 100:300]
cv2.imshow('Cropped Image', cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：裁剪圖像是通過指定數組的行和列范圍來實現的，即選取圖像中指定區域的像素值，形成新的圖像。

• 縮放
  使用 cv2.resize() 函數縮放圖像，可以指定縮放比例或目標尺寸。

import cv2image = cv2.imread('example.jpg')
# 按比例縮放，寬度和高度都變為原來的 0.5 倍
resized_image_1 = cv2.resize(image, None, fx=0.5, fy=0.5)
cv2.imshow('Resized Image by Scale', resized_image_1)# 指定目標尺寸進行縮放
resized_image_2 = cv2.resize(image, (300, 300))
cv2.imshow('Resized Image by Size', resized_image_2)cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：cv2.resize() 函數提供了靈活的縮放方式。fx 和 fy 參數用于指定水平和垂直方向的縮放比例，當第二個參數為 None 時使用這種方式。也可以直接指定目標尺寸，如 (300, 300) 來進行縮放。

• 旋轉
  借助 cv2.getRotationMatrix2D() 獲取旋轉矩陣，再用 cv2.warpAffine() 進行旋轉操作。

import cv2
import numpy as npimage = cv2.imread('example.jpg')
height, width = image.shape[:2]
# 計算旋轉中心
center = (width / 2, height / 2)
# 定義旋轉角度和縮放因子
angle = 45
scale = 1.0
# 獲取旋轉矩陣
M = cv2.getRotationMatrix2D(center, angle, scale)
# 對圖像進行旋轉
rotated_image = cv2.warpAffine(image, M, (width, height))
cv2.imshow('Rotated Image', rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：cv2.getRotationMatrix2D() 用于計算旋轉矩陣，該矩陣包含了旋轉中心、旋轉角度和縮放因子等信息。cv2.warpAffine() 函數根據這個旋轉矩陣對圖像進行仿射變換，實現圖像的旋轉操作。

（三）顏色空間轉換

常見的顏色空間有 RGB、灰度、HSV、Lab 等，使用 cv2.cvtColor() 函數進行顏色空間轉換。

import cv2color_image = cv2.imread('example.jpg')
# 轉換為灰度圖像
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)# 轉換為 HSV 圖像
hsv_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2HSV)
cv2.imshow('HSV Image', hsv_image)# 轉換為 Lab 圖像
lab_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2Lab)
cv2.imshow('Lab Image', lab_image)cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：不同的顏色空間適用于不同的圖像處理任務。cv2.cvtColor() 函數可以在不同顏色空間之間進行轉換，例如將 BGR 彩色圖像轉換為灰度圖像、HSV 圖像或 Lab 圖像，方便后續的處理和分析。

四、OpenCV 的圖像處理算法

（一）圖像濾波

1. 均值濾波
   使用 cv2.blur() 函數實現，通過計算局部區域像素平均值平滑圖像。

import cv2image = cv2.imread('example.jpg')
# 均值濾波，核大小為(5, 5)
blurred_image = cv2.blur(image, (5, 5))
cv2.imshow('Blurred Image (Mean Filter)', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：均值濾波是一種簡單的線性濾波方法，它以一個固定大小的核（如 (5, 5)）在圖像上滑動，計算每個核內像素的平均值，并將該平均值作為中心像素的新值，從而達到平滑圖像的效果。

2. 高斯濾波
   利用 cv2.GaussianBlur() 函數，基于高斯函數對圖像進行濾波，抑制噪聲同時保留邊緣。

import cv2image = cv2.imread('example.jpg')
# 高斯濾波，核大小為(5, 5)，標準差為 0
gaussian_blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
cv2.imshow('Blurred Image (Gaussian Filter)', gaussian_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：高斯濾波是一種非線性濾波方法，它根據高斯函數對核內的像素進行加權平均。相比于均值濾波，高斯濾波在抑制噪聲的同時能更好地保留圖像的邊緣信息，因為它對不同位置的像素賦予了不同的權重。

3. 中值濾波
   通過 cv2.medianBlur() 函數，用局部區域的中值替換當前像素值，有效去除椒鹽噪聲。

import cv2image = cv2.imread('example.jpg')
# 中值濾波，核大小為 5
median_blurred_image = cv2.medianBlur(image, 5)
cv2.imshow('Blurred Image (Median Filter)', median_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：中值濾波是一種非線性濾波方法，它將核內的像素值進行排序，然后用中值替換中心像素的值。這種方法對于去除椒鹽噪聲（圖像中出現的黑白孤立點）非常有效。

4. 雙邊濾波
   cv2.bilateralFilter() 函數可以在平滑圖像的同時保留邊緣信息，適用于需要保留圖像細節的場景。

import cv2image = cv2.imread('example.jpg')
# 雙邊濾波，直徑為 9，顏色標準差為 75，空間標準差為 75
bilateral_blurred_image = cv2.bilateralFilter(image, 9, 75, 75)
cv2.imshow('Blurred Image (Bilateral Filter)', bilateral_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：雙邊濾波是一種保邊濾波方法，它結合了空間域和值域的信息。在平滑圖像時，它不僅考慮像素的空間距離，還考慮像素的顏色差異，因此能夠在平滑圖像的同時很好地保留邊緣和細節信息。

（二）邊緣檢測

1. Canny 邊緣檢測
   cv2.Canny() 函數是常用的邊緣檢測算法，通過計算圖像梯度和非極大值抑制等步驟檢測邊緣。

import cv2image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# Canny 邊緣檢測，設置高低閾值
edges = cv2.Canny(image, 100, 200)
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：Canny 邊緣檢測是一種多階段的邊緣檢測算法，主要包括高斯平滑、梯度計算、非極大值抑制和雙閾值處理等步驟。高低閾值參數用于控制邊緣的檢測范圍，只有當梯度值大于高閾值時才被確定為邊緣，介于高低閾值之間的像素如果與確定的邊緣相連也會被保留。

2. Sobel 邊緣檢測
   cv2.Sobel() 函數用于計算圖像在 x 和 y 方向上的梯度，從而檢測邊緣。

import cv2
import numpy as npimage = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 計算 x 方向的 Sobel 梯度
sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
# 計算 y 方向的 Sobel 梯度
sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 取絕對值并轉換為 8 位無符號整數
sobelx = np.uint8(np.absolute(sobelx))
sobely = np.uint8(np.absolute(sobely))
# 合并 x 和 y 方向的梯度
sobel_combined = cv2.bitwise_or(sobelx, sobely)
cv2.imshow('Sobel Edge Detection', sobel_combined)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：Sobel 算子是一種一階導數算子，用于計算圖像在 x 和 y 方向上的梯度。通過分別計算兩個方向的梯度，可以檢測出圖像中的水平和垂直邊緣。最后將兩個方向的梯度合并，得到完整的邊緣信息。

3. Laplacian 邊緣檢測
   cv2.Laplacian() 函數通過計算圖像的二階導數來檢測邊緣。

import cv2image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# Laplacian 邊緣檢測
laplacian_edges = cv2.Laplacian(image, cv2.CV_64F)
laplacian_edges = np.uint8(np.absolute(laplacian_edges))
cv2.imshow('Laplacian Edge Detection', laplacian_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：Laplacian 算子是一種二階導數算子，它對圖像的灰度變化非常敏感，能夠檢測出圖像中的邊緣。由于二階導數可能為負值，所以需要取絕對值并轉換為 8 位無符號整數才能正確顯示邊緣圖像。

（三）形態學操作

1. 膨脹與腐蝕
   膨脹操作可以擴大圖像中的前景區域，腐蝕操作則可以縮小前景區域。

import cv2
import numpy as npimage = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 定義結構元素
kernel = np.ones((5, 5), np.uint8)
# 膨脹操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
# 腐蝕操作
eroded_image = cv2.erode(image, kernel, iterations=1)cv2.imshow('Dilated Image', dilated_image)
cv2.imshow('Eroded Image', eroded_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：膨脹和腐蝕是基本的形態學操作，它們基于結構元素（如 (5, 5) 的全 1 矩陣）對圖像進行處理。膨脹操作將結構元素在圖像上滑動，如果結構元素與前景區域有重疊，則將中心像素置為前景；腐蝕操作則相反，如果結構元素完全包含在前景區域內，才將中心像素置為前景。

2. 開運算與閉運算
   開運算先進行腐蝕操作，再進行膨脹操作，用于去除小的噪聲點；閉運算先進行膨脹操作，再進行腐蝕操作，用于填充小的空洞。

import cv2
import numpy as npimage = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5, 5), np.uint8)
# 開運算
opening = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
# 閉運算
closing = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)cv2.imshow('Opening Image', opening)
cv2.imshow('Closing Image', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：開運算和閉運算是基于膨脹和腐蝕操作的組合。開運算可以去除圖像中的小噪聲點，同時保持大的前景區域不變；閉運算則可以填充前景區域內的小空洞，使前景區域更加完整。

3. 形態學梯度
   形態學梯度是膨脹圖像與腐蝕圖像的差值，用于突出圖像的邊緣。形態學梯度能夠幫助我們檢測圖像中物體的邊界，在圖像分割、目標檢測等領域有著廣泛的應用。

import cv2
import numpy as npimage = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 定義結構元素，這里使用 5x5 的全 1 矩陣
kernel = np.ones((5, 5), np.uint8)
# 進行膨脹操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
# 進行腐蝕操作
eroded_image = cv2.erode(image, kernel, iterations=1)
# 計算形態學梯度，即膨脹圖像減去腐蝕圖像
gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)
# 也可以手動計算形態學梯度
manual_gradient = cv2.subtract(dilated_image, eroded_image)# 顯示原始圖像
cv2.imshow('Original Image', image)
# 顯示通過 cv2.morphologyEx 計算得到的形態學梯度圖像
cv2.imshow('Morphological Gradient (cv2.morphologyEx)', gradient)
# 顯示手動計算得到的形態學梯度圖像
cv2.imshow('Morphological Gradient (Manual)', manual_gradient)# 等待用戶按鍵
cv2.waitKey(0)
# 關閉所有窗口
cv2.destroyAllWindows()

解釋：

• 結構元素定義：我們使用 np.ones((5, 5), np.uint8) 定義了一個 5x5 的全 1 矩陣作為結構元素。結構元素的大小和形狀會影響形態學操作的效果，不同的任務可能需要不同的結構元素。
• 膨脹和腐蝕操作：通過 cv2.dilate() 和 cv2.erode() 函數分別對圖像進行膨脹和腐蝕操作。膨脹操作會使圖像中的前景區域擴大，而腐蝕操作會使前景區域縮小。
• 形態學梯度計算：
  • 使用 cv2.morphologyEx()：這是 OpenCV 提供的用于進行復雜形態學操作的函數，cv2.MORPH_GRADIENT 表示計算形態學梯度。
  • 手動計算：通過 cv2.subtract() 函數將膨脹后的圖像減去腐蝕后的圖像，也能得到形態學梯度。這兩種方法的結果是相同的，但使用 cv2.morphologyEx() 更簡潔。
• 圖像顯示：使用 cv2.imshow() 函數分別顯示原始圖像、通過 cv2.morphologyEx 計算得到的形態學梯度圖像以及手動計算得到的形態學梯度圖像，方便我們對比和觀察形態學梯度的效果。

通過形態學梯度，我們可以清晰地看到圖像中物體的邊緣信息，這對于后續的圖像處理和分析非常有幫助。例如，在目標檢測中，我們可以利用形態學梯度來初步定位物體的邊界，然后再進行更精確的檢測和識別。

五、OpenCV 的特征提取與匹配

（一）ORB 特征提取

ORB（Oriented FAST and Rotated BRIEF）是一種快速的特征提取和描述算法。它結合了 FAST（Features from Accelerated Segment Test）特征點檢測和 BRIEF（Binary Robust Independent Elementary Features）描述符，并且對其進行了改進，使其具有旋轉不變性。

import cv2image = cv2.imread('example.jpg')
# 創建 ORB 對象
orb = cv2.ORB_create()
# 檢測特征點并計算描述符
keypoints, descriptors = orb.detectAndCompute(image, None)
# 在圖像上繪制特征點
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('ORB Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：首先使用 cv2.ORB_create() 創建一個 ORB 對象。detectAndCompute() 方法用于檢測圖像中的特征點并計算對應的描述符。特征點是圖像中具有獨特特征的點，描述符則是對這些特征點的一種量化表示，用于后續的特征匹配。cv2.drawKeypoints() 函數將檢測到的特征點繪制在原始圖像上，方便我們直觀地看到特征點的位置。

（二）SIFT 特征提取

SIFT（尺度不變特征變換）是一種具有尺度、旋轉和光照不變性的特征提取算法，但由于專利問題，在使用時需要安裝 opencv - contrib - python 庫。SIFT 算法通過在不同尺度空間上查找極值點來檢測特征點，并計算其主方向和描述符。

import cv2image = cv2.imread('example.jpg')
# 創建 SIFT 對象
sift = cv2.SIFT_create()
# 檢測特征點并計算描述符
keypoints, descriptors = sift.detectAndCompute(image, None)
# 在圖像上繪制特征點
image_with_keypoints = cv2.drawKeypoints(image, keypoints, None, color=(0, 255, 0), flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow('SIFT Keypoints', image_with_keypoints)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：cv2.SIFT_create() 用于創建一個 SIFT 對象。與 ORB 類似，detectAndCompute() 方法檢測特征點并計算描述符。SIFT 算法對圖像的尺度、旋轉和光照變化具有較好的魯棒性，因此在很多場景下都能得到較好的特征提取效果。最后使用 cv2.drawKeypoints() 函數將特征點繪制在圖像上進行可視化。

（三）特征匹配

特征匹配是計算機視覺中一個重要的任務，用于在不同圖像中找到對應的特征點。這里將分別介紹使用 ORB 特征和 SIFT 特征進行匹配的方法。

1. ORB 特征匹配

使用 cv2.BFMatcher() 進行 ORB 特征匹配。

import cv2image1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(image1, None)
kp2, des2 = orb.detectAndCompute(image2, None)# 創建 Brute - Force 匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 匹配描述符
matches = bf.match(des1, des2)
# 按照距離排序
matches = sorted(matches, key=lambda x: x.distance)
# 繪制前 10 個匹配點
matching_result = cv2.drawMatches(image1, kp1, image2, kp2, matches[:10], None, flags=cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS)
cv2.imshow('ORB Feature Matching', matching_result)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：首先分別對兩張圖像使用 ORB 算法檢測特征點并計算描述符。cv2.BFMatcher() 創建一個暴力匹配器，cv2.NORM_HAMMING 表示使用漢明距離來衡量描述符之間的相似度，crossCheck = True 表示只保留那些相互匹配的特征點對。bf.match() 方法進行特征匹配，返回匹配結果。將匹配結果按照距離排序，距離越小表示匹配度越高。最后使用 cv2.drawMatches() 函數繪制前 10 個匹配點，方便我們觀察匹配效果。

2. SIFT 特征匹配

對于 SIFT 特征，可以使用 FLANN（快速最近鄰近似庫）進行匹配。

import cv2
import numpy as npimage1 = cv2.imread('image1.jpg')
image2 = cv2.imread('image2.jpg')sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(image1, None)
kp2, des2 = sift.detectAndCompute(image2, None)# FLANN 參數設置
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)# 創建 FLANN 匹配器
flann = cv2.FlannBasedMatcher(index_params, search_params)
# 匹配描述符
matches = flann.knnMatch(des1, des2, k=2)# 應用比率測試
good_matches = []
for m, n in matches:if m.distance < 0.7 * n.distance:good_matches.append(m)# 繪制匹配點
matching_result = cv2.drawMatches(image1, kp1, image2, kp2, good_matches, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv2.imshow('SIFT Feature Matching', matching_result)
cv2.waitKey(0)
cv2.destroyAllWindows()

解釋：同樣先對兩張圖像使用 SIFT 算法檢測特征點并計算描述符。FLANN 是一種快速的近似最近鄰搜索算法，適合處理大規模的特征匹配問題。index_params 和 search_params 分別設置 FLANN 的索引參數和搜索參數。flann.knnMatch() 方法返回每個特征點的 k 個最近鄰匹配結果。為了提高匹配的準確性，使用比率測試，即當第一個匹配的距離小于第二個匹配距離的 0.7 倍時，才認為這個匹配是有效的。最后使用 cv2.drawMatches() 函數繪制有效的匹配點。

后面的區域~以后的文章再來探索吧