一、引言

在当今数字化的时代，计算机视觉技术正以前所未有的速度改变着我们的生活。从智能手机的人脸识别解锁到自动驾驶汽车的环境感知，从工业生产中的质量检测到医疗领域的影像分析，计算机视觉无处不在。OpenCV（Open Source Computer Vision Library）作为计算机视觉领域最具影响力的开源库之一，为开发者和研究人员提供了强大而便捷的工具。它拥有超过 2500 种优化算法，涵盖了图像和视频处理、特征提取、目标检测、机器学习等多个领域。本文将基于 Python 语言，全面深入地介绍 OpenCV 的各个方面，从基础操作到高级应用，帮助读者逐步掌握这一强大的工具。

二、OpenCV 的安装

在 Python 环境中安装 OpenCV 非常便捷，主要有两种常见的安装方式。

（一）使用 pip 安装

通过 pip 包管理器，我们可以轻松地安装 OpenCV。在命令行中输入以下命令：

pip install opencv-python

如果需要安装包含扩展功能的版本（如 SIFT、SURF 等算法，这些算法在非商业用途下可用），可以使用以下命令：

pip install opencv-contrib-python

（二）使用 Anaconda 安装

如果你使用 Anaconda 作为 Python 环境管理工具，可以使用以下命令进行安装：

conda install -c conda-forge opencv

安装完成后，我们可以在 Python 代码中导入 OpenCV 库进行测试：

import cv2
print(cv2.__version__)

如果能够正常输出 OpenCV 的版本号，说明安装成功。
如4.11.0

以下是去掉对图像读取检查后的代码内容，为你扩充了标题 3 - 5 的代码和解释：

三、OpenCV 基础操作

（一）图像的读取、显示与保存

1. 读取图像
   使用 cv2.imread() 函数读取图像文件，支持常见的图像格式如 .jpg、.png 等。函数第一个参数为图像文件路径，第二个参数指定读取模式。常见的读取模式有：
   • cv2.IMREAD_COLOR：以彩色模式读取图像，默认模式。
   • cv2.IMREAD_GRAYSCALE：以灰度模式读取图像。
   • cv2.IMREAD_UNCHANGED：读取包含透明度通道的图像。

import cv2

# 以彩色模式读取图像
color_image = cv2.imread('example.jpg', cv2.IMREAD_COLOR)
# 以灰度模式读取图像
gray_image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 读取包含透明度通道的图像
alpha_image = cv2.imread('example.png', cv2.IMREAD_UNCHANGED)

解释：cv2.imread() 是 OpenCV 中用于读取图像的核心函数。通过不同的读取模式参数，可以灵活地获取图像的不同表示形式。彩色模式读取的图像包含三个通道（BGR），灰度模式将图像转换为单通道，而读取带透明度通道的图像适用于处理 PNG 等支持透明度的图像格式。

2. 显示图像
   通过 cv2.imshow() 函数显示图像，第一个参数是窗口名称，第二个参数是要显示的图像对象。使用 cv2.waitKey() 等待用户按键，cv2.destroyAllWindows() 关闭所有窗口。

# 显示彩色图像
cv2.imshow('Color Image', color_image)
# 显示灰度图像
cv2.imshow('Gray Image', gray_image)

# 等待用户按键（0 表示无限等待）
cv2.waitKey(0)
# 关闭所有窗口
cv2.destroyAllWindows()

解释：cv2.imshow() 用于在一个新窗口中显示图像，窗口名称用于区分不同的显示窗口。cv2.waitKey() 函数会阻塞程序，直到用户按下任意键，参数为 0 时表示无限等待。cv2.destroyAllWindows() 用于关闭所有由 OpenCV 创建的窗口，释放资源。

3. 保存图像
   利用 cv2.imwrite() 函数保存图像，第一个参数为保存路径，第二个参数是要保存的图像。

# 保存灰度图像
cv2.imwrite('saved_gray_image.jpg', gray_image)

解释：cv2.imwrite() 函数将指定的图像保存到指定的文件路径。保存的文件格式由文件扩展名决定，如 .jpg、.png 等。

（二）图像的基本属性与操作

1. 图像的基本属性
   图像在 OpenCV 中以 NumPy 数组形式存储，我们可以获取其高度、宽度和通道数等属性。

import cv2

image = cv2.imread('example.jpg')
height, width, channels = image.shape
print(f"图像高度: {height}, 宽度: {width}, 通道数: {channels}")
# 额外获取图像的数据类型
print(f"图像的数据类型: {image.dtype}")

解释：图像在 OpenCV 里被存储为 NumPy 数组，通过 shape 属性可以获取图像的基本尺寸信息，dtype 属性则能查看图像的数据类型，通常为 uint8（8 位无符号整数）。

2. 图像的像素访问
   可以直接通过索引访问和修改图像的像素值。

import cv2

image = cv2.imread('example.jpg')
# 获取坐标(100, 100)处的像素值（BGR 格式）
pixel = image[100, 100]
print(f"坐标(100, 100)处的像素值（BGR 格式）: {pixel}")
# 修改坐标(100, 100)处的像素值为白色
image[100, 100] = [255, 255, 255]
new_pixel = image[100, 100]
print(f"修改后坐标(100, 100)处的像素值（BGR 格式）: {new_pixel}")

解释：由于图像是 NumPy 数组，所以可以像操作数组一样通过索引来访问和修改像素值。在 OpenCV 中，彩色图像的像素值是按 BGR（蓝、绿、红）顺序存储的。

3. 图像的裁剪、缩放与旋转

• 裁剪
  通过指定行和列的范围来裁剪图像。

import cv2

image = cv2.imread('example.jpg')
# 裁剪图像，获取坐标(100, 100)到(300, 300)的区域
cropped_image = image[100:300, 100:300]
cv2.imshow('Cropped Image', cropped_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：裁剪图像是通过指定数组的行和列范围来实现的，即选取图像中指定区域的像素值，形成新的图像。

• 缩放
  使用 cv2.resize() 函数缩放图像，可以指定缩放比例或目标尺寸。

import cv2

image = cv2.imread('example.jpg')
# 按比例缩放，宽度和高度都变为原来的 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)

# 指定目标尺寸进行缩放
resized_image_2 = cv2.resize(image, (300, 300))
cv2.imshow('Resized Image by Size', resized_image_2)

cv2.waitKey(0)
cv2.destroyAllWindows()

解释：cv2.resize() 函数提供了灵活的缩放方式。fx 和 fy 参数用于指定水平和垂直方向的缩放比例，当第二个参数为 None 时使用这种方式。也可以直接指定目标尺寸，如 (300, 300) 来进行缩放。

• 旋转
  借助 cv2.getRotationMatrix2D() 获取旋转矩阵，再用 cv2.warpAffine() 进行旋转操作。

import cv2
import numpy as np

image = cv2.imread('example.jpg')
height, width = image.shape[:2]
# 计算旋转中心
center = (width / 2, height / 2)
# 定义旋转角度和缩放因子
angle = 45
scale = 1.0
# 获取旋转矩阵
M = cv2.getRotationMatrix2D(center, angle, scale)
# 对图像进行旋转
rotated_image = cv2.warpAffine(image, M, (width, height))
cv2.imshow('Rotated Image', rotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：cv2.getRotationMatrix2D() 用于计算旋转矩阵，该矩阵包含了旋转中心、旋转角度和缩放因子等信息。cv2.warpAffine() 函数根据这个旋转矩阵对图像进行仿射变换，实现图像的旋转操作。

（三）颜色空间转换

常见的颜色空间有 RGB、灰度、HSV、Lab 等，使用 cv2.cvtColor() 函数进行颜色空间转换。

import cv2

color_image = cv2.imread('example.jpg')
# 转换为灰度图像
gray_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)

# 转换为 HSV 图像
hsv_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2HSV)
cv2.imshow('HSV Image', hsv_image)

# 转换为 Lab 图像
lab_image = cv2.cvtColor(color_image, cv2.COLOR_BGR2Lab)
cv2.imshow('Lab Image', lab_image)

cv2.waitKey(0)
cv2.destroyAllWindows()

解释：不同的颜色空间适用于不同的图像处理任务。cv2.cvtColor() 函数可以在不同颜色空间之间进行转换，例如将 BGR 彩色图像转换为灰度图像、HSV 图像或 Lab 图像，方便后续的处理和分析。

四、OpenCV 的图像处理算法

（一）图像滤波

1. 均值滤波
   使用 cv2.blur() 函数实现，通过计算局部区域像素平均值平滑图像。

import cv2

image = cv2.imread('example.jpg')
# 均值滤波，核大小为(5, 5)
blurred_image = cv2.blur(image, (5, 5))
cv2.imshow('Blurred Image (Mean Filter)', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：均值滤波是一种简单的线性滤波方法，它以一个固定大小的核（如 (5, 5)）在图像上滑动，计算每个核内像素的平均值，并将该平均值作为中心像素的新值，从而达到平滑图像的效果。

2. 高斯滤波
   利用 cv2.GaussianBlur() 函数，基于高斯函数对图像进行滤波，抑制噪声同时保留边缘。

import cv2

image = cv2.imread('example.jpg')
# 高斯滤波，核大小为(5, 5)，标准差为 0
gaussian_blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
cv2.imshow('Blurred Image (Gaussian Filter)', gaussian_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：高斯滤波是一种非线性滤波方法，它根据高斯函数对核内的像素进行加权平均。相比于均值滤波，高斯滤波在抑制噪声的同时能更好地保留图像的边缘信息，因为它对不同位置的像素赋予了不同的权重。

3. 中值滤波
   通过 cv2.medianBlur() 函数，用局部区域的中值替换当前像素值，有效去除椒盐噪声。

import cv2

image = cv2.imread('example.jpg')
# 中值滤波，核大小为 5
median_blurred_image = cv2.medianBlur(image, 5)
cv2.imshow('Blurred Image (Median Filter)', median_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：中值滤波是一种非线性滤波方法，它将核内的像素值进行排序，然后用中值替换中心像素的值。这种方法对于去除椒盐噪声（图像中出现的黑白孤立点）非常有效。

4. 双边滤波
   cv2.bilateralFilter() 函数可以在平滑图像的同时保留边缘信息，适用于需要保留图像细节的场景。

import cv2

image = cv2.imread('example.jpg')
# 双边滤波，直径为 9，颜色标准差为 75，空间标准差为 75
bilateral_blurred_image = cv2.bilateralFilter(image, 9, 75, 75)
cv2.imshow('Blurred Image (Bilateral Filter)', bilateral_blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：双边滤波是一种保边滤波方法，它结合了空间域和值域的信息。在平滑图像时，它不仅考虑像素的空间距离，还考虑像素的颜色差异，因此能够在平滑图像的同时很好地保留边缘和细节信息。

（二）边缘检测

1. Canny 边缘检测
   cv2.Canny() 函数是常用的边缘检测算法，通过计算图像梯度和非极大值抑制等步骤检测边缘。

import cv2

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# Canny 边缘检测，设置高低阈值
edges = cv2.Canny(image, 100, 200)
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：Canny 边缘检测是一种多阶段的边缘检测算法，主要包括高斯平滑、梯度计算、非极大值抑制和双阈值处理等步骤。高低阈值参数用于控制边缘的检测范围，只有当梯度值大于高阈值时才被确定为边缘，介于高低阈值之间的像素如果与确定的边缘相连也会被保留。

2. Sobel 边缘检测
   cv2.Sobel() 函数用于计算图像在 x 和 y 方向上的梯度，从而检测边缘。

import cv2
import numpy as np

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 计算 x 方向的 Sobel 梯度
sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
# 计算 y 方向的 Sobel 梯度
sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 取绝对值并转换为 8 位无符号整数
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()

解释：Sobel 算子是一种一阶导数算子，用于计算图像在 x 和 y 方向上的梯度。通过分别计算两个方向的梯度，可以检测出图像中的水平和垂直边缘。最后将两个方向的梯度合并，得到完整的边缘信息。

3. Laplacian 边缘检测
   cv2.Laplacian() 函数通过计算图像的二阶导数来检测边缘。

import cv2

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# Laplacian 边缘检测
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()

解释：Laplacian 算子是一种二阶导数算子，它对图像的灰度变化非常敏感，能够检测出图像中的边缘。由于二阶导数可能为负值，所以需要取绝对值并转换为 8 位无符号整数才能正确显示边缘图像。

（三）形态学操作

1. 膨胀与腐蚀
   膨胀操作可以扩大图像中的前景区域，腐蚀操作则可以缩小前景区域。

import cv2
import numpy as np

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 定义结构元素
kernel = np.ones((5, 5), np.uint8)
# 膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
# 腐蚀操作
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()

解释：膨胀和腐蚀是基本的形态学操作，它们基于结构元素（如 (5, 5) 的全 1 矩阵）对图像进行处理。膨胀操作将结构元素在图像上滑动，如果结构元素与前景区域有重叠，则将中心像素置为前景；腐蚀操作则相反，如果结构元素完全包含在前景区域内，才将中心像素置为前景。

2. 开运算与闭运算
   开运算先进行腐蚀操作，再进行膨胀操作，用于去除小的噪声点；闭运算先进行膨胀操作，再进行腐蚀操作，用于填充小的空洞。

import cv2
import numpy as np

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
kernel = np.ones((5, 5), np.uint8)
# 开运算
opening = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
# 闭运算
closing = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Opening Image', opening)
cv2.imshow('Closing Image', closing)
cv2.waitKey(0)
cv2.destroyAllWindows()

解释：开运算和闭运算是基于膨胀和腐蚀操作的组合。开运算可以去除图像中的小噪声点，同时保持大的前景区域不变；闭运算则可以填充前景区域内的小空洞，使前景区域更加完整。

3. 形态学梯度
   形态学梯度是膨胀图像与腐蚀图像的差值，用于突出图像的边缘。形态学梯度能够帮助我们检测图像中物体的边界，在图像分割、目标检测等领域有着广泛的应用。

import cv2
import numpy as np

image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)
# 定义结构元素，这里使用 5x5 的全 1 矩阵
kernel = np.ones((5, 5), np.uint8)
# 进行膨胀操作
dilated_image = cv2.dilate(image, kernel, iterations=1)
# 进行腐蚀操作
eroded_image = cv2.erode(image, kernel, iterations=1)
# 计算形态学梯度，即膨胀图像减去腐蚀图像
gradient = cv2.morphologyEx(image, cv2.MORPH_GRADIENT, kernel)
# 也可以手动计算形态学梯度
manual_gradient = cv2.subtract(dilated_image, eroded_image)

# 显示原始图像
cv2.imshow('Original Image', image)
# 显示通过 cv2.morphologyEx 计算得到的形态学梯度图像
cv2.imshow('Morphological Gradient (cv2.morphologyEx)', gradient)
# 显示手动计算得到的形态学梯度图像
cv2.imshow('Morphological Gradient (Manual)', manual_gradient)

# 等待用户按键
cv2.waitKey(0)
# 关闭所有窗口
cv2.destroyAllWindows()

解释：

• 结构元素定义：我们使用 np.ones((5, 5), np.uint8) 定义了一个 5x5 的全 1 矩阵作为结构元素。结构元素的大小和形状会影响形态学操作的效果，不同的任务可能需要不同的结构元素。
• 膨胀和腐蚀操作：通过 cv2.dilate() 和 cv2.erode() 函数分别对图像进行膨胀和腐蚀操作。膨胀操作会使图像中的前景区域扩大，而腐蚀操作会使前景区域缩小。
• 形态学梯度计算：
  • 使用 cv2.morphologyEx()：这是 OpenCV 提供的用于进行复杂形态学操作的函数，cv2.MORPH_GRADIENT 表示计算形态学梯度。
  • 手动计算：通过 cv2.subtract() 函数将膨胀后的图像减去腐蚀后的图像，也能得到形态学梯度。这两种方法的结果是相同的，但使用 cv2.morphologyEx() 更简洁。
• 图像显示：使用 cv2.imshow() 函数分别显示原始图像、通过 cv2.morphologyEx 计算得到的形态学梯度图像以及手动计算得到的形态学梯度图像，方便我们对比和观察形态学梯度的效果。

通过形态学梯度，我们可以清晰地看到图像中物体的边缘信息，这对于后续的图像处理和分析非常有帮助。例如，在目标检测中，我们可以利用形态学梯度来初步定位物体的边界，然后再进行更精确的检测和识别。

五、OpenCV 的特征提取与匹配

（一）ORB 特征提取

ORB（Oriented FAST and Rotated BRIEF）是一种快速的特征提取和描述算法。它结合了 FAST（Features from Accelerated Segment Test）特征点检测和 BRIEF（Binary Robust Independent Elementary Features）描述符，并且对其进行了改进，使其具有旋转不变性。

import cv2

image = cv2.imread('example.jpg')
# 创建 ORB 对象
orb = cv2.ORB_create()
# 检测特征点并计算描述符
keypoints, descriptors = orb.detectAndCompute(image, None)
# 在图像上绘制特征点
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()

解释：首先使用 cv2.ORB_create() 创建一个 ORB 对象。detectAndCompute() 方法用于检测图像中的特征点并计算对应的描述符。特征点是图像中具有独特特征的点，描述符则是对这些特征点的一种量化表示，用于后续的特征匹配。cv2.drawKeypoints() 函数将检测到的特征点绘制在原始图像上，方便我们直观地看到特征点的位置。

（二）SIFT 特征提取

SIFT（尺度不变特征变换）是一种具有尺度、旋转和光照不变性的特征提取算法，但由于专利问题，在使用时需要安装 opencv - contrib - python 库。SIFT 算法通过在不同尺度空间上查找极值点来检测特征点，并计算其主方向和描述符。

import cv2

image = cv2.imread('example.jpg')
# 创建 SIFT 对象
sift = cv2.SIFT_create()
# 检测特征点并计算描述符
keypoints, descriptors = sift.detectAndCompute(image, None)
# 在图像上绘制特征点
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()

解释：cv2.SIFT_create() 用于创建一个 SIFT 对象。与 ORB 类似，detectAndCompute() 方法检测特征点并计算描述符。SIFT 算法对图像的尺度、旋转和光照变化具有较好的鲁棒性，因此在很多场景下都能得到较好的特征提取效果。最后使用 cv2.drawKeypoints() 函数将特征点绘制在图像上进行可视化。

（三）特征匹配

特征匹配是计算机视觉中一个重要的任务，用于在不同图像中找到对应的特征点。这里将分别介绍使用 ORB 特征和 SIFT 特征进行匹配的方法。

1. ORB 特征匹配

使用 cv2.BFMatcher() 进行 ORB 特征匹配。

import cv2

image1 = 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)

# 创建 Brute - Force 匹配器
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
# 匹配描述符
matches = bf.match(des1, des2)
# 按照距离排序
matches = sorted(matches, key=lambda x: x.distance)
# 绘制前 10 个匹配点
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()

解释：首先分别对两张图像使用 ORB 算法检测特征点并计算描述符。cv2.BFMatcher() 创建一个暴力匹配器，cv2.NORM_HAMMING 表示使用汉明距离来衡量描述符之间的相似度，crossCheck = True 表示只保留那些相互匹配的特征点对。bf.match() 方法进行特征匹配，返回匹配结果。将匹配结果按照距离排序，距离越小表示匹配度越高。最后使用 cv2.drawMatches() 函数绘制前 10 个匹配点，方便我们观察匹配效果。

2. SIFT 特征匹配

对于 SIFT 特征，可以使用 FLANN（快速最近邻近似库）进行匹配。

import cv2
import numpy as np

image1 = 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 参数设置
FLANN_INDEX_KDTREE = 1
index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5)
search_params = dict(checks=50)

# 创建 FLANN 匹配器
flann = cv2.FlannBasedMatcher(index_params, search_params)
# 匹配描述符
matches = flann.knnMatch(des1, des2, k=2)

# 应用比率测试
good_matches = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good_matches.append(m)

# 绘制匹配点
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()

解释：同样先对两张图像使用 SIFT 算法检测特征点并计算描述符。FLANN 是一种快速的近似最近邻搜索算法，适合处理大规模的特征匹配问题。index_params 和 search_params 分别设置 FLANN 的索引参数和搜索参数。flann.knnMatch() 方法返回每个特征点的 k 个最近邻匹配结果。为了提高匹配的准确性，使用比率测试，即当第一个匹配的距离小于第二个匹配距离的 0.7 倍时，才认为这个匹配是有效的。最后使用 cv2.drawMatches() 函数绘制有效的匹配点。

后面的区域~以后的文章再来探索吧