宁波建站平台,湖州住房和城乡建设部网站,wordpress vip解析插件,做图书馆网站图像拼接中看到了特征匹配的部分#xff0c;特征匹配主要是特征点的匹配。在特征点匹配的时候#xff0c;首先进行粗匹配#xff0c;粗匹配通常是进行一对匹配点进行对比#xff0c;误差越小越可能是一对匹配点#xff1b;精匹配方法中#xff0c;我们可以用到RANSAC(Ran… 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。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(Random Sample Consensus 随机抽样一致性)算法。
RANSAC可以用于图片的拼接技术。在多幅图像合成时事先会在待合成的图片中提取一些关键的特征点。计算机视觉的研究表明不同视角下物体往往可以通过一个透视矩阵单应矩阵3X3或2X2的变换而得到。RANSAC被用于拟合这个模型的参数矩阵各行列的值由此便可识别出不同照片中的同一物体。
选自https://blog.csdn.net/l297969586/article/details/52328884
Ransac算法中要用四对特征点对构建一个单应矩阵关于单应矩阵的介绍参考博客https://blog.csdn.net/zhaocj/article/details/78799194 我们可以理解为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.随机选取四对匹配点计算出一个临时模型参数单应矩阵。
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。 --------------------------------------------------------------------------- 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 Cant open the picture!\n;return 0;}vectorKeyPoint 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 vectorDMatch 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 vectorint 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 vectorPoint2f points1; KeyPoint::convert(obj_keypoints, points1, queryIdxs);vectorPoint2f points2; KeyPoint::convert(scene_keypoints, points2, trainIdxs);int ransacReprojThreshold 5; //拒绝阈值 H12 findHomography(Mat(points1), Mat(points2), CV_RANSAC, ransacReprojThreshold);vectorchar 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.atPoint2f((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::vectorPoint2f 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::vectorPoint2f scene_corners(4);perspectiveTransform(obj_corners, scene_corners, H12);line(match_img2, scene_corners[0] Point2f(static_castfloat(obj.cols), 0),scene_corners[1] Point2f(static_castfloat(obj.cols), 0), Scalar(0, 0, 255), 2);line(match_img2, scene_corners[1] Point2f(static_castfloat(obj.cols), 0),scene_corners[2] Point2f(static_castfloat(obj.cols), 0), Scalar(0, 0, 255), 2);line(match_img2, scene_corners[2] Point2f(static_castfloat(obj.cols), 0),scene_corners[3] Point2f(static_castfloat(obj.cols), 0), Scalar(0, 0, 255), 2);line(match_img2, scene_corners[3] Point2f(static_castfloat(obj.cols), 0),scene_corners[0] Point2f(static_castfloat(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 ---。
