RANSAC算法的简单理解
2018-01-09 15:49
155 查看
图像拼接中看到了特征匹配的部分,特征匹配主要是特征点的匹配,通常利用特征点提取算法寻找出的特征点。在特征点匹配的时候,首先进行粗匹配,粗匹配通常是进行一对匹配点进行对比,误差越小越可能是一对匹配点;精匹配方法中,我们可以用到RANSAC算法。
我们可以理解到,粗匹配是从两幅图像所提取的特征集中,找到特征点之间相对应的特征点对;精匹配是在粗匹配的基础上,再剔除一些不正确的匹配点对。
RANSAC算法步骤:
1.随机选取四个匹配点对,计算出一个临时模型参数。
2.用该模型参数去测试匹配点对集,统计误差在允许范围内的匹配点对数目(即内点数)。
3.当内点数目占到指定比例时,则认为所选取的匹配点对是合理的。
第一步选取的匹配点对合理: 根据内点信息重新计算得到最终的模型参数。
第一步选取的匹配点对不合理:重新选取匹配点对,重复进行模型参数计算,直到选取的特征点对合理。
---------------------------------------------------------------------------
我个人的理解为,精匹配时,特征点的比对更偏向全局化,以整体的眼光来判断特征点对是否匹配
代码来源以及Ransac算法介绍:http://blog.csdn.net/luoshixian099/article/details/50217655
实例代码如下:OpenCV中此功能通过调用findHomography函数调用
代码实现的效果:
---。
我们可以理解到,粗匹配是从两幅图像所提取的特征集中,找到特征点之间相对应的特征点对;精匹配是在粗匹配的基础上,再剔除一些不正确的匹配点对。
RANSAC算法步骤:
1.随机选取四个匹配点对,计算出一个临时模型参数。
2.用该模型参数去测试匹配点对集,统计误差在允许范围内的匹配点对数目(即内点数)。
3.当内点数目占到指定比例时,则认为所选取的匹配点对是合理的。
第一步选取的匹配点对合理: 根据内点信息重新计算得到最终的模型参数。
第一步选取的匹配点对不合理:重新选取匹配点对,重复进行模型参数计算,直到选取的特征点对合理。
---------------------------------------------------------------------------
我个人的理解为,精匹配时,特征点的比对更偏向全局化,以整体的眼光来判断特征点对是否匹配
代码来源以及Ransac算法介绍:http://blog.csdn.net/luoshixian099/article/details/50217655
实例代码如下:OpenCV中此功能通过调用findHomography函数调用
#include <iostream> #include "opencv2/opencv.hpp" #include "opencv2/core/core.hpp" #include "opencv2/features2d/features2d.hpp" #include "opencv2/highgui/highgui.hpp" using namespace cv; using namespace std; int main(int argc, char** argv) { Mat obj = imread("obj.jpg"); //载入目标图像 Mat scene = imread("scene.jpg"); //载入场景图像 if (obj.empty() || scene.empty()) { cout << "Can't open the picture!\n"; return 0; } vector<KeyPoint> obj_keypoints, scene_keypoints; Mat obj_descriptors, scene_descriptors; ORB detector; //采用ORB算法提取特征点 detector.detect(obj, obj_keypoints); detector.detect(scene, scene_keypoints); detector.compute(obj, obj_keypoints, obj_descriptors); detector.compute(scene, scene_keypoints, scene_descriptors); BFMatcher matcher(NORM_HAMMING, true); //汉明距离做为相似度度量 vector<DMatch> matches; matcher.match(obj_descriptors, scene_descriptors, matches); Mat match_img; drawMatches(obj, obj_keypoints, scene, scene_keypoints, matches, match_img); imshow("滤除误匹配前", match_img); //保存匹配对序号 vector<int> queryIdxs(matches.size()), trainIdxs(matches.size()); for (size_t i = 0; i < matches.size(); i++) { queryIdxs[i] = matches[i].queryIdx; trainIdxs[i] = matches[i].trainIdx; } Mat H12; //变换矩阵 vector<Point2f> points1; KeyPoint::convert(obj_keypoints, points1, queryIdxs); vector<Point2f> points2; KeyPoint::convert(scene_keypoints, points2, trainIdxs); int ransacReprojThreshold = 5; //拒绝阈值 H12 = findHomography(Mat(points1), Mat(points2), CV_RANSAC, ransacReprojThreshold); vector<char> matchesMask(matches.size(), 0); Mat points1t; perspectiveTransform(Mat(points1), points1t, H12); for (size_t i1 = 0; i1 < points1.size(); i1++) //保存‘内点’ { if (norm(points2[i1] - points1t.at<Point2f>((int)i1, 0)) <= ransacReprojThreshold) //给内点做标记 { matchesMask[i1] = 1; } } Mat match_img2; //滤除‘外点’后 drawMatches(obj, obj_keypoints, scene, scene_keypoints, matches, match_img2, Scalar(0, 0, 255), Scalar::all(-1), matchesMask); //画出目标位置,场景图片矩形 std::vector<Point2f> obj_corners(4); obj_corners[0] = cvPoint(0, 0); obj_corners[1] = cvPoint(obj.cols, 0); obj_corners[2] = cvPoint(obj.cols, obj.rows); obj_corners[3] = cvPoint(0, obj.rows); std::vector<Point2f> scene_corners(4); perspectiveTransform(obj_corners, scene_corners, H12); line(match_img2, scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0), scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2); line(match_img2, scene_corners[1] + Point2f(static_cast<float>(obj.cols), 0), scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2); line(match_img2, scene_corners[2] + Point2f(static_cast<float>(obj.cols), 0), scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2); line(match_img2, scene_corners[3] + Point2f(static_cast<float>(obj.cols), 0), scene_corners[0] + Point2f(static_cast<float>(obj.cols), 0), Scalar(0, 0, 255), 2); imshow("滤除误匹配后", match_img2); waitKey(0); return 0; }
代码实现的效果:
---。
相关文章推荐
- 简单理解Socket
- 支持向量机(SVM)理解以及在sklearn库中的简单应用
- Spring源码学习之GCLIB的简单理解
- pendingIntent简单理解
- Tint Color的理解和APP简单的主题化
- 简单理解php深复制浅复制问题
- 支持向量机(SVM)理解以及在sklearn库中的简单应用
- 简单理解LDAP认证
- MediaPlayer简单理解
- 关于Java的容器的简单理解
- Deep learning:四十九(RNN-RBM简单理解)
- RNN的简单理解-part2
- 简单理解python下的变量和内存
- PHP中的traits简单理解
- struts2常量配置详解以及简单理解流程
- JS中的 new 操作符简单理解
- L0范式,L1范式,L2范式的简单理解
- 理解except脚本几个简单参数
- Android 日记之二 pendingIntent简单理解
- CSS简单理解与应用