[置顶] RANSAC算法应用及opencv实现
2017-07-17 15:09
465 查看
一、概述
RANSAC算法的输入是一组观测数据(往往含有较大的噪声或无效点),一个用于解释观测数据的参数化模型以及一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行验证:
1.有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
2.用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点。
3.如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。
4.然后,用所有假设的局内点去重新估计模型(譬如使用最小二乘法),因为它仅仅被初始的假设局内点估计过。
5.最后,通过估计局内点与模型的错误率来评估模型。
上述过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。
二、应用
RANSAC算法在计算机视觉中应用很广,尤其是在三维重建方面,对匹配特征点对的筛选以及F矩阵的估计都有起到很大作用。
在SFM中,每次循环随机抽取由2张图像中特征匹配得到的8个匹配点对作为内点,计算对极几何去估计F矩阵,然后用其估计结果去校验剩余所有的匹配对,如果在设置的适应模型的阈值范围内,则也可以算作内点,其余则为外点。具体来说,就是用其中一个像素坐标加上估计得到的F矩阵,去校验另一个像素坐标,并和匹配对的像素坐标比较,如果在误差范围内即可。反复重复以上过程,直到最后达到一定的内点率(内点占总样本的比例)跳出循环。结果就可以得到内点就是挑选出的去除粗差滤波优化后的匹配点对,F矩阵就是最后这2张图像之间的几何关系。
还有一个细节要注意,使用8个匹配对点和最后得到的更多其他内点一起结果估计F矩阵时可以采用最小二乘法进行优化。
三.代码
RANSAC算法的输入是一组观测数据(往往含有较大的噪声或无效点),一个用于解释观测数据的参数化模型以及一些可信的参数。RANSAC通过反复选择数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行验证:
1.有一个模型适应于假设的局内点,即所有的未知参数都能从假设的局内点计算得出。
2.用1中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为它也是局内点。
3.如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理。
4.然后,用所有假设的局内点去重新估计模型(譬如使用最小二乘法),因为它仅仅被初始的假设局内点估计过。
5.最后,通过估计局内点与模型的错误率来评估模型。
上述过程被重复执行固定的次数,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。
二、应用
RANSAC算法在计算机视觉中应用很广,尤其是在三维重建方面,对匹配特征点对的筛选以及F矩阵的估计都有起到很大作用。
在SFM中,每次循环随机抽取由2张图像中特征匹配得到的8个匹配点对作为内点,计算对极几何去估计F矩阵,然后用其估计结果去校验剩余所有的匹配对,如果在设置的适应模型的阈值范围内,则也可以算作内点,其余则为外点。具体来说,就是用其中一个像素坐标加上估计得到的F矩阵,去校验另一个像素坐标,并和匹配对的像素坐标比较,如果在误差范围内即可。反复重复以上过程,直到最后达到一定的内点率(内点占总样本的比例)跳出循环。结果就可以得到内点就是挑选出的去除粗差滤波优化后的匹配点对,F矩阵就是最后这2张图像之间的几何关系。
还有一个细节要注意,使用8个匹配对点和最后得到的更多其他内点一起结果估计F矩阵时可以采用最小二乘法进行优化。
三.代码
//Ransac filter double start,stop,durationTime; start=clock(); vector<KeyPoint>R_kp1,R_kp2; for(int i=0;i<matches_all.size();i++){ R_kp1.push_back(kp1[matches_all[i].queryIdx]); R_kp2.push_back(kp2[matches_all[i].trainIdx]); } vector<Point2f>p1,p2; for(int i=0;i<matches_all.size();i++){ p1.push_back(R_kp1[i].pt); p2.push_back(R_kp2[i].pt); } vector<uchar>RansacStatus; Mat Fundamental=findFundamentalMat(p1,p2,RansacStatus); vector<KeyPoint>RR_kp1,RR_kp2; vector<DMatch>matches_ransac; int index=0; for(int i=0;i<matches_all.size();i++){ if(RansacStatus[i]){ RR_kp1.push_back(R_kp1[i]); RR_kp2.push_back(R_kp2[i]); matches_all[i].queryIdx=index; matches_all[i].trainIdx=index; matches_ransac.push_back(matches_all[i]); index++; } } cout << "Get total " << matches_ransac.size() << " matches_ransac." << endl; Mat show_ransac= DrawInlier(img1, img2, RR_kp1, RR_kp2, matches_ransac, 1); cvNamedWindow("show_ransac",0); imshow("show_ransac", show_ransac); stop=clock(); durationTime = ((double)(stop-start))/CLOCKS_PER_SEC; cout<<"matches_ransac:"<<durationTime<<"s"<<endl;
相关文章推荐
- RANSAC算法在图像拼接上的应用的实现
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用[转]
- RANSAC(随机采样一致算法)原理及openCV代码实现
- 利用SIFT和RANSAC算法(openCV框架)实现物体的检测与定位,并求出变换矩阵(findFundamentalMat和findHomography的比较)
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- 利用SIFT和RANSAC算法(openCV框架)实现物体的检测与定位,并求出变换矩阵(findFundamentalMat和findHomography的比较)
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- RANSAC(随机采样一致算法)原理及openCV代码实现
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
- OpenCv中实现了三种立体匹配算法:
- OpenCV下车牌定位算法实现代码
- GrabCut in One Cut(基于图割算法grabcut的一次快速图像分割的OpenCV实现)----目前效果最好的图割
- 图像细化算法 opencv实现 完整代码(附实验结果)
- [置顶] DFA最小化 -- Hopcroft算法 Python实现
- TensorFlow中四种 Cross Entropy 算法实现和应用
- BWT算法在生物信息学中的应用(二)-算法实现