暴力特征匹配（Brute-Force Feature Matching） 是 OpenCV 中最基本、最直观的特征点匹配方法。它的原理非常简单：对查询图像中的每一个特征描述子，都要与训练图像中的所有描述子计算一次距离，从中选出距离最近的一个（或 k 个）作为匹配点。因为采取了穷举的搜索策略，所以称为“暴力”匹配。

在 OpenCV 中，主要通过 cv::BFMatcher 类来实现，它既支持单次最优匹配，也支持 k 近邻匹配，配合一些筛选策略（如交叉检验、Lowe’s ratio test）可以得到相当干净、准确的匹配结果。

暴力匹配的优缺点

通常，在特征点数量 < 几千 时，暴力匹配表现良好且简单可靠；当特征点超过数万 时，更适合使用 FLANN（快速近似最近邻）匹配器。
 

我们获取到图像特征点和描述子之后，可以将两幅图像进行特征匹配。
BF(Brute-Force)暴力特征匹配方法，通过枚举的方式进行特征匹配。
暴力匹配器很简单。它使用第一组(即第一幅图像)中一个特征的描述子，并使用一些距离计算将其与第二组中的所有其他特征匹配。并返回最接近的一个。
BFMatcher(normType, crossCheck)o normType计算距离的方式。
-NORM_L1,L1距离,即绝对值,SIFT和SURF使用
.NORML2,L2距离，默认值.即平方.SIFT和SURF使用
·HAMMING汉明距离.ORB使用ocrossCheck:是否进行交叉匹配，默认False.使用match函数进行特征点匹配，返回的对象为DMatch对象.该对象具有以下属性:

o DMatch.distance -描述符之间的距离。越低，它就越好。
o DMatch.trainldx-训练描述符中描述符的索引
o DMatch.queryldx-查询描述符中描述符的索引
o DMatch.imgldx-训练图像的索引

具体演示代码如下：

#暴力特征匹配
import cv2
print(cv2.getVersionString())
import numpy as np
from utils import plt_showimg

img1 = cv2.imread('./images/opencv1.png')
img2 = cv2.imread('./images/opencv2.png')
gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

# 创建特征检测对象
sift = cv2.SIFT_create()

#计算描述子
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)

#进行暴力匹配
# 匹配描述子
# bf = cv2.BFMatcher(cv2.NORM_L2, crossCheck=True)
bf = cv2.BFMatcher(cv2.NORM_L1)
# bf = cv2.BFMatcher(cv2.NORM_HAMMING)
# matches = bf.match(des1, des2)
# # 除了match可以进行匹配，还可以使用knnMatch
matches = bf.knnMatch(des1, des2, k=2)
print(len(matches))
# 绘制匹配结果
# result = cv2.drawMatches(img1, kp1, img2, kp2, matches, None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
# result = cv2.drawMatches(img1, kp1, img2, kp2, matches, None)

good = []
for m, n in matches:
   #设定阈值，距离小于对方距离的0.7倍，我们认为是好的匹配点
   if m.distance < 0.7 * n.distance:
       good.append(m)
print(len(good))
result = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None, flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
# 显示结果
plt_showimg(result, 'result')

展示效果图如下：