Овладейте метрикой соответствия (отношением расстояний) дескриптора функции изображения.

Сопоставление в соответствии с SIFT: после создания дескрипторов двух изображений A и B дескрипторы каждой шкалы (все один раз) в двух изображениях сопоставляются, и 128-мерное сопоставление может указывать на то, что две характерные точки совпадают. Стратегия сопоставления может использовать евклидово расстояние вектора признаков в качестве меры определения сходства ключевых точек на двух изображениях. Возьмите определенную ключевую точку на изображении 1 и найдите первые две ключевые точки с ближайшим евклидовым расстоянием к изображению 2. Среди этих двух ключевых точек, если ближайшее расстояние, деленное на второе ближайшее расстояние, меньше определенного пропорционального порога, получена пара совпадающих точек. Снижая этот порог отношения, количество точек совпадения SIFT будет уменьшено, но оно будет более стабильным.

1. Метрики расстояния

Евклидово расстояние

Расстояние Хэмминга

2 стратегии сопоставления

поиск ближайшего соседа Отношение расстояния до ближайшего соседа

Полное извлечение функций SIFT и надежное сопоставление изображений

Экспериментальные фотографии

Извлечение признаков

надежное сопоставление

Полное преобразование точки обзора и сшивка изображений на основе матрицы гомографии; обсуждение метода слияния изображений

Проще говоря, сшивание изображений состоит из следующих шагов:

1. Извлеките характерные точки для каждого изображения

2. Сопоставьте характерные точки

3. Выполните регистрацию изображения

Нужно найти матрицу преобразования, которая сшивает 2 изображения вместе на основе совпадающих точек.

Это преобразование называется гомографией. Короче говоря, если гомография представляет собой матрицу 3x3, ее можно использовать для многих приложений, таких как оценка позы камеры, коррекция перспективы и сшивание изображений. Если гомография является двумерным преобразованием. Он отображает точки с одной плоскости (изображения) на другую.

Алгоритм SIFT, на самом деле, реальные результаты сопоставления не особенно хороши, если изменение угла обзора относительно велико или есть область, которой не было на предыдущем изображении, легко создать несоответствие. Однако в практических приложениях эти несовпадающие точки не оказывают большого влияния на окончательный результат сопоставления, так как обычно после сопоставления выполняется операция удаления несовпадающих пар точек, RANSAC является подходящей линейной моделью, итерационный алгоритм .

Алгоритм RANSAC (Random Sample Consensus) — это простой и эффективный способ устранить влияние шума и оценить модель. В отличие от обычного алгоритма шумоподавления, алгоритм RANSAC использует как можно меньше точек для оценки параметров модели, а затем максимально расширяет диапазон влияния полученных параметров модели.

Четыре пары совпадающих точек выбираются случайным образом (поскольку для решения гомографии требуется минимум 4 точки), и данные нормализуются (эта операция нормализации должна установить центр точки в начале координат, а среднее расстояние до происхождение равно ), затем решите эти нормализованные совпадающие точки, а затем решите обратно для H. Далее следует стандартный процесс RANSAC, который примерно выглядит следующим образом: при заданном наборе P, состоящем из N точек данных, предполагается, что большинство точек в наборе может быть сгенерировано моделью, и по крайней мере n точек (n

Выполните k раз следующие операции:

(1) случайным образом выбрать n точек данных из P;

(2) Подберите модель M с этими n точками данных;

(3) Для остальных точек данных в P рассчитайте расстояние между каждой точкой и моделью M. Если расстояние превышает пороговое значение, она будет считаться точкой вне офиса, а если расстояние не превышает порог, он будет рассматриваться как служебная точка и записывать служебную точку, соответствующую модели М. значение точки m;

После k итераций в качестве результата подгонки выбирается модель M с наибольшим m.

Поскольку значение N обычно очень велико в практических приложениях, комбинация выбора n точек данных из него будет очень большой.Если вышеуказанные операции выполняются для всех комбинаций, вычислительная нагрузка будет очень большой, поэтому выбор к это очень важно. Обычно достаточно убедиться, что вероятность того, что n баллов, необходимых для оценки модели, являются всеми баллами, достаточно высока. Поэтому пусть w будет долей внутриофисных точек в N данных, а z будет вероятностью того, что после k раз выбора по крайней мере одна из n выбранных точек будет внутриофисной. тогда есть z=1−(1−w n ) k

Среди них 1-wn представляет вероятность того, что выбор не все точки в офисе (1-wn)k представляет вероятность того, что ни один из k вариантов выбора не все точки в офисе.

тогда есть k = журнал (1-z) журнал (1-wn) Получив наибольшее количество внутренних точек, повторно используйте эти внутренние точки для решения

4. Скопируйте изображение в определенное место на другом изображении.

5. Особая обработка перекрывающихся границ слитое изображение