回顾

在我们检测到特征点之后，通常进行特征点的匹配。
首先我们先回顾一下使用Brute-Force匹配器来进行匹配。

import cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图片
img=cv2.imread('./newmm.png')
tem=cv2.imread('./templa.png')

#创建特征点检测器
orb=cv2.ORB_create()
#创建BF特征点匹配器
bf=cv2.BFMatcher_create()

#检测原图特征点
kp1,des1=orb.detectAndCompute(img,mask=None)
#检测模板图特征点
kp2,des2=orb.detectAndCompute(tem,mask=None)
#进行匹配
res=bf.match(des1,des2)
#将匹配点按照距离排序
res=sorted(res,key=lambda x:x.distance)
#将最相近的10个点绘画出来
newimg=cv2.drawMatches(img,kp1,tem,kp2,res[:10],None)
#绘制原图特征点
img=cv2.drawKeypoints(img,kp1,None,color=[0,0,255])
tem=cv2.drawKeypoints(tem,kp2,None,color=[0,255,0])
#显示图片
def imshow(img,axis,title=None):
    axis=str(axis[0])+str(axis[1])
    for i in range(len(img)):
        plt.subplot(int(axis + str(i+1)))
        if title:
            plt.title(title[i])
        i=cv2.cvtColor(img[i],cv2.COLOR_BGR2RGB)
        plt.imshow(i)
    plt.show()

all_img=[img,tem,newimg]
all_title=['img','tem','newimg']
imshow(all_img,[2,2],all_title)

然后效果如下：
在这里插入图片描述

定位

那么问题来了，如何对检测完成之后进行坐标定位呢。
首先我们要看bf.match生成的结果：

res=bf.match(des1,des2)
print(res)

(<DMatch 000001B9FFB81A50>, <DMatch 000001B9FFB81A70>, <DMatch 000001B9FFB81A30>, <DMatch 000001B9FFB819F0>.....）
<class 'cv2.DMatch'>

可以看见生成的是<DMatch 000001B9FFB81A50>迭代器，是<class 'cv2.DMatch'>类的对象。
那么我们依然可以通过dir(res[0])进行访问对象的属性。

['__class__',
 '__delattr__',
 '__dir__',
 '__doc__',
 '__eq__',
 '__format__',
 '__ge__',
 '__getattribute__',
 '__gt__',
 '__hash__',
 '__init__',
 '__init_subclass__',
 '__le__',
 '__lt__',
 '__module__',
 '__ne__',
 '__new__',
 '__reduce__',
 '__reduce_ex__',
 '__repr__',
 '__setattr__',
 '__sizeof__',
 '__str__',
 '__subclasshook__',
 'distance',
 'imgIdx',
 'queryIdx',
 'trainIdx']

然后把需要的'distance','imgIdx' 'queryIdx', 'trainIdx'打印出来：

print(res[0].distance)
print(res[0].imgIdx)
print(res[0].queryIdx)
print(res[0].trainIdx)

但是看着发现是一头雾水，只有res[0].distance知道说明含义。于是只能取opencv官网查阅
在这里插入图片描述
由于英语水平有限加上描述过于简单，只能凭借感觉来猜测。

项目	Value
trainIdx	匹配原图片对应的特征点索引
queryIdx	匹配模板图片对应的特征点索引
imgIdx	图片的索引

有了这个之后，便自己尝试了一下，由于匹配结果是进行排序后，也就是越前面准确度越高，所以直接拿前面进行尝试。
思路是这样，将两张图片(原图和模板图)前十个res进行获得最小值坐标和最大值坐标(也就是框的左上角和右上角)，然后进行描绘出来，看两遍的图片框的位置是否一样。
代码如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

#读取图片
img=cv2.imread('./newmm.png')
tem=cv2.imread('./templa.png')

#创建特征点检测器
orb=cv2.ORB_create()
#创建BF特征点匹配器
bf=cv2.BFMatcher_create()

#检测原图特征点
kp1,des1=orb.detectAndCompute(img,mask=None)
#检测模板图特征点
kp2,des2=orb.detectAndCompute(tem,mask=None)
#进行匹配
res=bf.match(des1,des2)

#将匹配点按照距离排序
res=sorted(res,key=lambda x:x.distance)

def get_rect(res,kp,idx=0):
    point_img=[]
    #获得前十res个对应的点
    for i in res[:10]:
        if idx==0:
            center=cv2.KeyPoint_convert(kp,keypointIndexes=[i.queryIdx])
        elif idx==1:
            center = cv2.KeyPoint_convert(kp, keypointIndexes=[i.trainIdx])
        center=[int(np.ravel(center)[0]),int(np.ravel(center)[1])]
        point_img.append(center)

    #获得框的左上角点和右下角点
    minres=np.argmin(point_img,axis=0)
    maxres=np.argmax(point_img,axis=0)
    minpoint=[point_img[minres[0]][0],point_img[minres[1]][1]]
    maxpoint=[point_img[maxres[0]][0],point_img[maxres[1]][1]]
    return minpoint,maxpoint

min1,max2=get_rect(res,kp1,0)
min3,max4=get_rect(res,kp2,1)

cv2.rectangle(tem,min3,max4,[255,0,0],4,16)
cv2.rectangle(img,min1,max2,[255,0,0],4,16)

#将最相近的10个点绘画出来
newimg=cv2.drawMatches(img,kp1,tem,kp2,res[:10],None)
#绘制原图特征点
img=cv2.drawKeypoints(img,kp1,None,color=[0,0,255])
tem=cv2.drawKeypoints(tem,kp2,None,color=[0,255,0])
#显示图片
def imshow(img,axis,title=None):
    axis=str(axis[0])+str(axis[1])
    for i in range(len(img)):
        plt.subplot(int(axis + str(i+1)))
        if title:
            plt.title(title[i])
        i=cv2.cvtColor(img[i],cv2.COLOR_BGR2RGB)
        plt.imshow(i)
    plt.show()

all_img=[img,tem,newimg]
all_title=['img','tem','newimg']
imshow(all_img,[2,2],all_title)