Гомографическая матрица и преобразование изображения с меньшим количеством ключевых точек

Question

Гомографическая матрица и преобразование изображения с меньшим количеством ключевых точек

0

Когда матрица гомографов с RANSAC вычисляется с меньшим количеством совпадающих ключевых точек (> 4), преобразованное изображение с warpPerspertive каким-то образом искажается или наклоняется. когда одно и то же изображение используется для деформирования с большим количеством согласованных клавиш, результат хорош. Я видел аналогичный вопрос здесь, но до сих пор не решена.

Теоретически нам нужно всего 4 сопоставленных ключевых точки, но в пассивном, почему это не работает? Может кто-нибудь объяснить или предоставить какой-либо документ, который объясняет причины.

благодаря

MMH 03 апр. 2014, в 11:25

Источник

0

Вы, вероятно, не в том месте, чтобы задать этот вопрос, попробуйте несколько форумов обработки изображений, держу пари, они помогут намного лучше
chouaib 03 апр. 2014, в 08:35
0

Вы уверены, что все соответствия ключевых точек действительны? findHomography использует метод RANSAC, чтобы найти выбросы в соответствии. RANSAC предполагает наличие некоторого процента от значения Inlier, поэтому, если у вас мало ключевых точек, этот процент может больше не сохраняться. Я рекомендую реализовать свою собственную findHomography с RANSAC, чтобы иметь больше контроля над поведением.
Micka 03 апр. 2014, в 08:44
0

@chouaib, спасибо, я тоже спрашивал на форуме opencv.
MMH 03 апр. 2014, в 08:49
0

@Micka Мика, ты имеешь в виду, что я должен вычислять матрицу гомографии вручную? И да, сопоставление точек также выполняется с помощью RANSAC, поэтому результаты сопоставления хороши.
MMH 03 апр. 2014, в 08:50
0

как выполняется сопоставление с RANSAC? RANSAC используется при вычислении гомографии afaik. Сопоставление выполняется до вычисления гомопографии и определяет соответствия между ключевыми точками. Обычно некоторые из них являются хорошими / правильными, а другие ложными. - вы можете использовать OpenCV для вычисления гомографии из 4 ключевых соответствий, что я имею в виду, используя эту функциональность для реализации вашего собственного RANSAC, который расширяет гомографию с 4 соответствиями до гомографии с наилучшим числом совпадений или отклоняет 4-Хом--корреспондент. inf.u-szeged.hu/~kato/teaching/computervision/Lab05-RANSAC.pdf
Micka 03 апр. 2014, в 09:06
0

Привет @Micka, спасибо за ваш комментарий. сопоставление можно выполнить с помощью RANSAC, чтобы удалить совпадающие точки. Вы можете найти пример в кулинарной книге opencv 2.2.
MMH 04 апр. 2014, в 01:53
0

@MMH afaik, это не сопоставление с RANSAC, а вычисление гомографии.
Micka 04 апр. 2014, в 06:11
0

@Micka, прежде чем оценивать матрицу гомографии, мы можем использовать RANSAC для удаления совпадений. и я на 100% уверен в этом, пожалуйста, обратитесь к "OpenCV.2.Computer.Vision.Application.Programming.Cookbook" для более подробной информации.
MMH 04 апр. 2014, в 06:40
0

@MMH MMH В кулинарной книге говорится, что RANSAC используется во время вычисления гомографии (я полагаю, вы не вычисляете фундаментальную матрицу?), А не во время сопоставления, как я и предполагал (стр. 243). Поскольку findHomography также возвращает входящие значения, вы можете легко проверить, в порядке ли входящие значения и распределены ли они по изображению или сконцентрированы на слишком маленьких участках изображения (и, возможно, все еще содержат выбросы).
Micka 04 апр. 2014, в 07:04
0

Пожалуйста, проверьте страницу 234, я думаю, что это обсуждение не является полным в данный момент, у меня другая проблема. Спасибо
MMH 04 апр. 2014, в 07:20
0

@MMH стр. 234 о фундаментальных матричных вычислениях. Если вы используете этот код, каково значение вашего параметра для confidence level ? И если вы используете findHomography , проверили ли inlier возвращаемое значение inlier , есть ли еще выбросы в используемом Inlier? Как сказано в книге (233): «Однако, чтобы иметь возможность проверить это условие, фундаментальная матрица должна быть известна, и нам нужны хорошие соответствия для оценки этой матрицы. Это, кажется, проблема курицы и яйца. Мы предложите в этом рецепте решение, в котором фундаментальная матрица и набор хороших совпадений будут вычислены совместно. "
Micka 04 апр. 2014, в 07:38
0

Кроме того: если вы используете этот «надежный сопоставитель», вам нужно как минимум 5 хороших соответствий (поскольку он вычисляет фундаментальную матрицу).
Micka 04 апр. 2014, в 07:39

Показать ещё 10 комментариев

Теги:

c++

opencv

c

homography

1 ответ

Ещё вопросы

Вы, вероятно, не в том месте, чтобы задать этот вопрос, попробуйте несколько форумов обработки изображений, держу пари, они помогут намного лучше
Вы уверены, что все соответствия ключевых точек действительны? findHomography использует метод RANSAC, чтобы найти выбросы в соответствии. RANSAC предполагает наличие некоторого процента от значения Inlier, поэтому, если у вас мало ключевых точек, этот процент может больше не сохраняться. Я рекомендую реализовать свою собственную findHomography с RANSAC, чтобы иметь больше контроля над поведением.
@chouaib, спасибо, я тоже спрашивал на форуме opencv.
@Micka Мика, ты имеешь в виду, что я должен вычислять матрицу гомографии вручную? И да, сопоставление точек также выполняется с помощью RANSAC, поэтому результаты сопоставления хороши.
как выполняется сопоставление с RANSAC? RANSAC используется при вычислении гомографии afaik. Сопоставление выполняется до вычисления гомопографии и определяет соответствия между ключевыми точками. Обычно некоторые из них являются хорошими / правильными, а другие ложными. - вы можете использовать OpenCV для вычисления гомографии из 4 ключевых соответствий, что я имею в виду, используя эту функциональность для реализации вашего собственного RANSAC, который расширяет гомографию с 4 соответствиями до гомографии с наилучшим числом совпадений или отклоняет 4-Хом--корреспондент. inf.u-szeged.hu/~kato/teaching/computervision/Lab05-RANSAC.pdf
Привет @Micka, спасибо за ваш комментарий. сопоставление можно выполнить с помощью RANSAC, чтобы удалить совпадающие точки. Вы можете найти пример в кулинарной книге opencv 2.2.
@MMH afaik, это не сопоставление с RANSAC, а вычисление гомографии.
@Micka, прежде чем оценивать матрицу гомографии, мы можем использовать RANSAC для удаления совпадений. и я на 100% уверен в этом, пожалуйста, обратитесь к "OpenCV.2.Computer.Vision.Application.Programming.Cookbook" для более подробной информации.
@MMH MMH В кулинарной книге говорится, что RANSAC используется во время вычисления гомографии (я полагаю, вы не вычисляете фундаментальную матрицу?), А не во время сопоставления, как я и предполагал (стр. 243). Поскольку findHomography также возвращает входящие значения, вы можете легко проверить, в порядке ли входящие значения и распределены ли они по изображению или сконцентрированы на слишком маленьких участках изображения (и, возможно, все еще содержат выбросы).
Пожалуйста, проверьте страницу 234, я думаю, что это обсуждение не является полным в данный момент, у меня другая проблема. Спасибо
@MMH стр. 234 о фундаментальных матричных вычислениях. Если вы используете этот код, каково значение вашего параметра для confidence level ? И если вы используете findHomography , проверили ли inlier возвращаемое значение inlier , есть ли еще выбросы в используемом Inlier? Как сказано в книге (233): «Однако, чтобы иметь возможность проверить это условие, фундаментальная матрица должна быть известна, и нам нужны хорошие соответствия для оценки этой матрицы. Это, кажется, проблема курицы и яйца. Мы предложите в этом рецепте решение, в котором фундаментальная матрица и набор хороших совпадений будут вычислены совместно. "
Кроме того: если вы используете этот «надежный сопоставитель», вам нужно как минимум 5 хороших соответствий (поскольку он вычисляет фундаментальную матрицу).

Danny · Accepted Answer · 2014-04-03T07-56-00.000Z

Одна большая часть проблемы заключается в том, что мы имеем ограниченную точность изображения. Многие алгоритмы используют субпиксельную точность, но трудно найти точное местоположение по самым разным причинам. Некоторые из них - это то, что визуальная информация теряется путем дискретизации сцены в пикселях, различий в разрешении изображения, недостатков и характеристик датчика камеры, изменения освещения и т.д.

Рассмотрим случай 1D. Скажем, у нас есть две точки, которые должны быть помещены в точные местоположения 0 и 20.5, но вместо них найдены в 0 и 20. Это ошибка 2.5%. Если эти точки были использованы для преобразования 1D-изображения размером 500, некоторые пиксели могут быть отключены на 12,5 пикселей. Эти ошибки оказывают очень большое влияние на части изображения вдали от найденных соответствий. Это называется ошибкой измерения.

Очевидно, если у нас будет одно плохое соответствие, то гомография будет плохой. Эти плохие совпадения называются ошибками классификации. На практике мы не можем рассчитывать на то, что любые четыре матча будут совершенно правильными, которые были сгенерированы с использованием любого дескриптора точки OpenCV. Мы можем (в зависимости от сцены и настройки) рассчитывать на многие точки, чтобы быть близкими к правильным.

Взгляните на случайный примерный консенсус: парадигма для моделирования моделей с приложениями для анализа изображений и автоматической картографии от Fishler и Bolles. Он описывает алгоритм, аналогичный RANSAC в OpenCV. В нем кратко обсуждается влияние ошибок классификации и измерений. В нем говорится, что ошибки измерения обычно следуют за нормальным распределением, поэтому, если у нас много совпадений, ошибки измерения будут иметь минимальный эффект. Мы также можем найти способ определить, какие совпадения могут быть ошибкой классификации и минимизировать их эффект.

Привет @ Дэнни, спасибо за ваш ответ. Отпусти меня, хотя бумага, которую вы упомянули. Мне действительно нужно знать, почему гомография с RANSAC не дает хороших результатов с меньшим количеством совпадений ..
Я понимаю ваше объяснение. Спасибо за это, но не нашел решения проблемы. в документе говорится, что ошибка измерения может быть минимизирована с помощью RANSAC, но даже если мы используем RANSAC, чтобы найти матрицу гомографии, они дают плохие результаты.
Ну, ошибка измерения может быть минимизирована только многими точками. Я думаю, что в зависимости от приложения я использовал от 100 до 1000 баллов и достиг отличных результатов. Я также на самом деле пытался использовать <10 баллов соответствий, которые, казалось, было легко найти точно, и у меня был опыт, аналогичный тому, который у вас звучит. Расчет гомографии очень чувствителен к небольшим ошибкам