Registro_SIFT_OpenCV.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Sep 21 10:22:29 2019

@author: Rodolfo Escobar [version para SIFT]
"""
import cv2
import numpy as np
import matplotlib.pyplot as plt
 
# Importar imagenes como escala de grises
ImA = cv2.imread('Ref.JPG',0)
ImB = cv2.imread('Des.JPG',0)

#--------------------- SIFT -------------------------------
sift = cv2.xfeatures2d.SIFT_create()
keypointsA, descriptorsA = sift.detectAndCompute(ImA, None)
keypointsB, descriptorsB = sift.detectAndCompute(ImB, None)
#----------------------------------------------------------
#---------------- Correspondencias ------------------------
#NOTA: para SIFT no debe usarse la norma de Hamming
matcher = cv2.BFMatcher(cv2.NORM_L2,crossCheck=True)
matches = matcher.match(descriptorsA, descriptorsB, None)

# Ordenacion de correspondencias por distancias 
matches.sort(key=lambda x: x.distance, reverse=False)
 
# Elegir solo un porcentaje de las correspondencias
# (las que tengan distancias más cortas)
Porcentaje_Corr = 0.05
numMatches = int(len(matches) * Porcentaje_Corr)
matches = matches[:numMatches]
#---------------------------------------------------------
# Grafica de correspondencias
imMatches = cv2.drawMatches(ImA, keypointsA, ImB, keypointsB, matches, None)
plt.imshow(imMatches)
plt.axis("off")
plt.show()

# Localizar correpondencias
points1 = np.zeros((len(matches), 2), dtype=np.float32)
points2 = np.zeros((len(matches), 2), dtype=np.float32)

# Arrays de puntos de la forma [[x0,y0],...,[xn,yn]] 
for i, match in enumerate(matches):
   points1[i, :] = keypointsA[match.queryIdx].pt
   points2[i, :] = keypointsB[match.trainIdx].pt
   
# Encontrae matriz de homografía
h, mask = cv2.findHomography(points1, points2, cv2.RANSAC)
print(h)
 
# Aplicar homografía
height, width= ImB.shape
im1Reg = cv2.warpPerspective(ImA, h, (width, height))

# Grafica de imagen alineada
plt.figure(2)
plt.imshow(im1Reg,cmap='gray')
plt.axis("off")
plt.show()