使用SURF进行图像对比，如何通过OpenCV获取百分比相似度？

嘿，我懂你现在的需求——用特征匹配（你提到了SURF，但代码里用了ORB）对比图像，还想得到直观的百分比相似度。确实OpenCV里没有直接返回百分比的函数，但我们可以通过特征匹配的结果自己计算出来，思路很清晰，我一步步给你讲：

首先，先把你没写完的ORB特征匹配代码补全，再加入相似度计算的逻辑：

步骤1：完成特征检测与匹配 #

先把ORB的特征点检测、描述子提取，还有匹配的代码补全，用暴力匹配器（BFMatcher）是最直接的选择：

import cv2
import numpy as np
from tkinter.filedialog import askopenfilename

# 读取图像，转灰度图能让特征检测更稳定
filename1 = askopenfilename(filetypes=[("image","*.png")])
filename2 = askopenfilename(filetypes=[("image","*.png")])
img1 = cv2.imread(filename1, cv2.IMREAD_GRAYSCALE)
img2 = cv2.imread(filename2, cv2.IMREAD_GRAYSCALE)

# ORB 检测器初始化，可调整nfeatures控制特征点数量
orb = cv2.ORB_create(nfeatures=1000)
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 暴力匹配器，ORB用HAMMING距离
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)

# 按匹配距离排序（距离越小，匹配越精准）
matches = sorted(matches, key=lambda x: x.distance)

步骤2：计算百分比相似度 #

这里有两种常用的计算方式，你可以根据需求选择：

方式1：基于匹配点占总特征点的比例

直接用匹配成功的点数除以两张图中较少的特征点数，得到比例：

# 取两张图中特征点数量较小的那个作为分母，避免因特征点数量差异导致结果偏差
min_kp_count = min(len(kp1), len(kp2))
if min_kp_count == 0:
    similarity = 0.0
else:
    similarity = (len(matches) / min_kp_count) * 100
print(f"图像相似度：{similarity:.2f}%")

方式2：基于筛选后的优质匹配点比例

有些匹配可能是误匹配，我们可以设置一个距离阈值（比如取最小距离的2倍），只保留优质匹配，结果会更准确：

if len(matches) == 0:
    similarity = 0.0
else:
    min_distance = matches[0].distance
    # 筛选距离小于最小距离2倍的优质匹配
    good_matches = [m for m in matches if m.distance <= 2 * min_distance]
    min_kp_count = min(len(kp1), len(kp2))
    similarity = (len(good_matches) / min_kp_count) * 100
print(f"图像相似度（仅优质匹配）：{similarity:.2f}%")

如果你确实想用SURF的话 #

注意SURF不在OpenCV主库中，需要先安装opencv-contrib-python，然后替换ORB的部分：

# 先执行安装命令：pip install opencv-contrib-python
surf = cv2.xfeatures2d.SURF_create(hessianThreshold=400)  # 调整阈值控制特征点数量
kp1, des1 = surf.detectAndCompute(img1, None)
kp2, des2 = surf.detectAndCompute(img2, None)

# SURF用L2距离，匹配器要对应修改
bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
matches = bf.match(des1, des2)
# 后面的相似度计算逻辑和ORB完全一致

小提示 #

• 转灰度图能避免颜色干扰，让特征检测更稳定
• 调整ORB的nfeatures或SURF的hessianThreshold，可以适配不同清晰度的图像
• 优质匹配的阈值（2倍最小距离）可以根据你的数据集调整，比如改成1.5倍会更严格

内容的提问来源于stack exchange，提问作者newbie