局域网网站建设步骤,家具建设企业网站,佛山市水利工程建设信息网站,石家庄网络seo推广文章目录 02 RANSAC算法 及 Python 实现2.1 简介2.2 算法流程2.3 RANSAC 算法实现直线拟合2.4 利用 RANSAC 算法减少 ORB 特征点误匹配 02 RANSAC算法 及 Python 实现 2.1 简介 RANSAC #xff08;Random Sample Consensus#xff0c;随机抽样一致#xff09;算法的 基本假… 文章目录 02 RANSAC算法 及 Python 实现2.1 简介2.2 算法流程2.3 RANSAC 算法实现直线拟合2.4 利用 RANSAC 算法减少 ORB 特征点误匹配 02 RANSAC算法 及 Python 实现 2.1 简介 RANSAC Random Sample Consensus随机抽样一致算法的 基本假设 是样本中包含正确数据(inliers即内点可以被模型描述的数据)也包含异常数据(outliers 即外点偏离正常范围很远、无法适应数学模型的数据)也就是说数据集中含有噪声。 我们的目的就是找出 使内点最多的模型参数类似最小二乘法最小二乘法试图找到满足所有点的参数而 RANSAC 是为了消除误匹配尽量找到更多内点去除外点。 2.2 算法流程 RANSAC 是通过反复选择数据集去估计出模型参数一直迭代到估计出认为比较好的模型。 具体的实现步骤可以分为以下几步 1选择出可以估计出模型的最小数据集(对于直线拟合来说就是两个点对于计算单应矩阵就是 4 个点) 2使用这个最小数据集计算出模型参数 3将所有数据带入这个模型计算并记录“内点”的数目(在误差允许范围内的点的数目) 4与之前记录的最好模型的“内点”数量进行比较若表现更好则将此模型更新为最优模型 5重复以上步骤直至达到最大迭代次数或“内点”数量满足要求。 2.3 RANSAC 算法实现直线拟合 # Time : 2022/11/7 20:11 # Author : xiao cong # Function : RANSAC 算法实现直线拟合import numpy as np import matplotlib.pyplot as plt import randomITERS 1000 # 最大迭代次数 SIZE 50 # 样本数量 RATIO 0.6 # 期望为内点的比例 INLIERS SIZE * RATIO # 内点# 生成样本数据 X np.linspace(0, 5, SIZE) Y 2 * X 5 for index in range(SIZE):sigma np.random.uniform(-0.5, 0.5) # 生成高斯噪声Y[index] sigma# 绘散点图 plt.figure() plt.scatter(X, Y) plt.xlabel(x) plt.ylabel(y)# 使用 RANSAC 算法估算模型 iter 0 # 迭代次数 max_inliers 0 # 先前最多内点数量 best_a 0 # 最优参数 best_b 0 error 0.5 # 允许最小误差while iter ITERS and max_inliers INLIERS:# 随机选取两个点计算模型参数random_index random.sample(range(0, SIZE), 2) # 返回索引列表x1 X[random_index[0]]y1 Y[random_index[0]]x2 X[random_index[1]]y2 Y[random_index[1]]a (y2 - y1) / (x2 - x1) # 斜率b y1 - a * x1 # 截距inliers 0 # 本次内点数量# 代入模型计算内点数量for index in range(SIZE):y_estimate a * X[index] bif abs(Y[index] - y_estimate) error:inliers 1if inliers max_inliers:best_a abest_b bmax_inliers inliersiter 1# 画出拟合直线 Y_estimate best_a * X best_b plt.plot(X, Y_estimate, linewidth2.0, colorr) text best_a: str(round(best_a, 2)) \nbest_b: str(round(best_b, 2)) \\nmax_inliers: str(int(max_inliers)) plt.text(3, 6, text, fontdict{size: 10, color: r}) plt.title(RANSAC) plt.show()2.4 利用 RANSAC 算法减少 ORB 特征点误匹配 特征点匹配会有很多误匹配的点所以求出基础矩阵 F \boldsymbol{F} F用它来做更精准的匹配。这里以 ORB 为例FAST 特征点就是 RANSAC 算法的数据样本。 由 对极约束得到 p 2 T F p 1 0 \boldsymbol{p_2^{\mathrm{T}}}\boldsymbol{F}\boldsymbol{p_1}0 p2T​Fp1​0 其中 p 1 \boldsymbol{p_1} p1​、 p 2 \boldsymbol{p_2} p2​ 为匹配点的像素坐标 。 分别为 ORB_features.png*、all_matches.png、goodmatches.png、*after_RANSAC.png. #include iostream #include opencv2/features2d.hpp #include opencv2/opencv.hppusing namespace std; using namespace cv;int main() {// 读取图像Mat img_01 imread(/home/cong/slambook_code/test/img_01.png);Mat img_02 imread(/home/cong/slambook_code/test/img_02.png);// 提取 ORB 特征点vectorKeyPoint keypoints_01, keypoints_02; // FAST 特征点Mat descriptors_01, descriptors_02; // BRIEF 描述子PtrFeatureDetector detector ORB::create(); // 初始化PtrDescriptorExtractor descriptor ORB::create();PtrDescriptorMatcher matcher DescriptorMatcher::create(BruteForce-Hamming);//-- 第一步:检测 Oriented FAST 角点位置detector-detect(img_01, keypoints_01);detector-detect(img_02, keypoints_02);//-- 第二步:根据角点位置计算 BRIEF 描述子descriptor-compute(img_01, keypoints_01, descriptors_01);descriptor-compute(img_02, keypoints_02, descriptors_02);Mat outimg_01;drawKeypoints(img_01, keypoints_01, outimg_01, Scalar::all(-1), DrawMatchesFlags::DEFAULT);imwrite(ORB_features.png, outimg_01);imshow(ORB features, outimg_01);//-- 第三步:对两幅图像中的BRIEF描述子进行匹配计算 Hamming 距离// matches 用来存储匹配点对的信息包括//queryIdx测试图像的特征点描述符的下标//trainIdx样本图像的特征点描述符下标//distance特征点描述子的欧式距离vectorDMatch matches;matcher-match(descriptors_01, descriptors_02, matches);//-- 第四步:匹配点对筛选(距离过大的一对点将被认为误匹配)// 找出所有匹配之间的最小距离和最大距离, 即最相似的和最不相似的两组点之间的距离auto min_max minmax_element(matches.begin(), matches.end(),[] (const DMatch m1, const DMatch m2) {return m1.distance m2.distance;});double min_dist min_max.first-distance;double max_dist min_max.second-distance;//当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.// 但有时候最小距离会非常小,设置一个经验值30作为下限.vectorDMatch good_matches;for(int i 0; i descriptors_01.rows; i){if(matches[i].distance max(2*min_dist, 30.0))good_matches.push_back(matches[i]);}//-- 第五步:绘制匹配结果Mat img_match;Mat img_goodmatch;drawMatches(img_01, keypoints_01, img_02, keypoints_02, matches, img_match);drawMatches(img_01, keypoints_01, img_02, keypoints_02, good_matches, img_goodmatch);imwrite(all_matches.png, img_match);imwrite(good_matches.png, img_goodmatch);imshow(all matches, img_match);imshow(good matches, img_goodmatch);/*******************************************************************/// 下面用 RANSAC 算法去除误匹配// 主要分为三个部分// 1根据matches将特征点对齐,将坐标转换为float类型// 2使用求基础矩阵方法 findFundamentalMat,得到RansacStatus// 3根据RansacStatus来将误匹配的点也即RansacStatus[i]0的点删除// 1根据 matches 将特征点对齐(也就是 使对应的一对特征点的下标相同)vectorKeyPoint R_keypoint_01, R_keypoint_02; // 存储对应的特征点for(size_t i 0; i matches.size(); i){R_keypoint_01.push_back(keypoints_01[matches[i].queryIdx]); // 存储img01中能与img02匹配的特征点的索引值R_keypoint_02.push_back(keypoints_02[matches[i].trainIdx]);}// 像素坐标转换成 floatvectorPoint2f p01, p02;for(size_t i 0; i matches.size(); i){p01.push_back(R_keypoint_01[i].pt); // 坐标p02.push_back(R_keypoint_02[i].pt);}// 利用基础矩阵剔除误匹配点vectoruchar RansacStatus;Mat Fundamental findFundamentalMat(p01, p02, RansacStatus, FM_RANSAC);vectorKeyPoint RR_keypoint_01, RR_keypoint_02;vectorDMatch RR_matches; // 筛选后的匹配点int index 0;for(size_t i 0; i matches.size(); i){if(RansacStatus[i] ! 0){RR_keypoint_01.push_back(R_keypoint_01[i]);RR_keypoint_02.push_back(R_keypoint_02[i]);matches[i].queryIdx index;matches[i].trainIdx index;RR_matches.push_back(matches[i]);index;}}Mat img_RR_matches;drawMatches(img_01, RR_keypoint_01, img_02, RR_keypoint_02, RR_matches, img_RR_matches);imwrite(after_RANSAC.png, img_RR_matches);imshow(after RANSAC, img_RR_matches);waitKey(0);return 0; }