精匹配——Opencv实现RANSAC算法进行误匹配对剔除，并和最小二乘法对比

已于 2023-01-20 10:38:24 修改
阅读量1.2w 收藏 140
点赞数 17
分类专栏： 图像拼接基础 文章标签： 算法 计算机视觉 图像处理
于 2021-12-18 17:31:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/H19981118/article/details/122014318
版权

精匹配——RANSAC算法思想及优缺点

目录

前言

基于特征的图像匹配中会存在误匹配对，因此为提高匹配率，在粗匹配的基础上实现精匹配，可采用下面两种方法：
在这里插入图片描述

以下是本篇文章正对RANSAC的学习记录

一、RANSAC简介

RANSAC(RANdom SAmple Consensus随机采样一致性算法)，是在一组含有“外点”的数据中，不断迭代，最终正确估计出最优参数模型的算法。
  • 主要解决样本中的外点问题，最多可处理50%的外点情况。
  • 内点：符合最优参数模型的点。
  • 外点：不符合最优参数模型的点，一般指的数据中的噪声或无效点，比如说匹配中的误匹配对和估计曲线中的离群点。
  • 外点检测算法
  • 应用：在计算机视觉的匹配问题中广泛应用，以寻找最佳的匹配模型，达到去除误匹配对，实现精匹配的效果。

二、RANSAC基本思想

1.步骤

 1. 在样本N中随机采样K个点 	
 2. 对这K个点进行模型拟合	
 3. 计算其他点到该拟合模型的距离，并设置阈值，若大于阈值，为外点，则舍弃，小于阈值，为内点，统计内点个数。阈值：为经验值，由具体应用和数据集决定。
 4. 然后以新的内点为基础，再次进行步骤2，得到新的拟合模型，迭代M次，选择内点数最多的模型，此时的模型为最优模型。
 5. 也可以在此基础上，选择出内点数最多的模型，然后对它进行重新估计，估计的时候可以采用最小二乘法来拟合。

2.迭代次数的公式

RANSAC算法中需要进行M次的迭代过程，且迭代的次数也是可以进行估算的。
————————————————————
1、n数据中内点所占的比例（内点的概率p）：
在这里插入图片描述
2、选取的K个点至少有一个是外点的概率：
在这里插入图片描述
3、因此就能得到迭代M次的情况下，选取点都是外点的概率，进而得到迭代M次中，至少有一次选取点k个点都是内点的概率，也就是正确模型的概率：z一般要求满足大于95%即可。
在这里插入图片描述
4、最终得到迭代次数M:
M = log(1-z)/log(1-p^k )
———————————————————

3.举例（拟合直线，拟合最佳单应性矩阵）

如下（示例1）：

用RANSAC算法来拟合直线：

1、首先随机选取K=2个点，且两个点能拟合出一条直线
在这里插入图片描述
2、根据拟合直线，计算其他点到该拟合模型的距离，并设置阈值，其中绿色点为小于阈值的点，为内点，黄色的为外点，此时绿色内点为9。
在这里插入图片描述
3、然后通过此时的绿色内点，拟合出新的直线，再次计算该拟合新直线情况下的内点数目，此过程不断迭代，找到内点数最大的模型。
在这里插入图片描述

如下（示例2）：

用RANSAC算法来寻找最佳单应性矩阵H

在特征匹配中，我们最终要得到一个3*3的单应性矩阵。通常令h33=1来归一化矩阵，因此单应性矩阵有8个自由度h11-h32，求这八个未知数，至少要包含四个匹配点对。
在这里插入图片描述
其中(x,y)表示目标图像角点位置,(x’,y’)为场景图像角点位置，s为尺度参数。

h33=1来归一化矩阵？
H单应性矩阵，描述两个平面的映射关系，平面中点的坐标是二维的，第三维取1，为了简单化，将h33=1，为最简单的非零值，来归一化矩阵。
——————
步骤：
通过SIFT算法已经进行了粗匹配，然后利用RANSAC算法来进精匹配。

1、首先在得到的匹配点中，随机选择4个匹配点对（不共线），其他匹配点为外点。

2、根据4对内点计算单应性矩阵。

3、根据此矩阵来测试其他匹配点(计算的是其他匹配点与该模型的投影误差），并设置阈值，若小于为新内点，若大于则为外点，也就是误匹配对，因此通过计算出的单应性矩阵，就能实现一次误匹配点的剔除。

4、将所有的内点统计进行内点更新，在此基础上再次进行步骤3，迭代M次，最终得到含有内点最多的模型，此时模型为最优模型，也就是我们最终所需要的单应性矩阵。

———
大体步骤确定后，我们还需要进行两个参数的确定，阈值和迭代次数。
阈值：经验值
迭代次数：根据上述迭代次数M公式计算得到
——
如何用寻找到的单应性矩阵H来测试该模型下的其他匹配点？
根据代价函数计算，代价函数最小的模型为最优模型。
根据统计的内点数目，数目最多的为最优模型。

三、最小二乘法

1、最小二乘法的主要思想

通过确定未知参数（通常是一个参数矩阵），来使得真实值和预测值的误差（也称残差）平方和最小，其计算公式为
在这里插入图片描述
其中 yi是真实值，yi^是对应的预测值。
下图中，红色为数据点，蓝色为最小二乘法求得的最佳解，绿色即为误差
在这里插入图片描述
图中有四个数据点分别为：(1, 6), (2, 5), (3, 7), (4, 10)。显然，最佳解(3, 7)

2、最小二乘解

  • 上面介绍了最小二乘法的公式：误差平方和

  • 如下是2-范数：
    - ![在这里插入图片描述](https://img-blog.csdnimg.cn/0603137915f74bb58d24c6d80eda6f1b.png)

  • 根据这两个式子，进行最小二乘解的分析：

  • 已知有一个这样的方程组：Ax=b 其中A∈Rm×n ; x∈Rn×k, b∈Rm×k

  • 因此根据最小二乘法公式，那么求解最小二乘的问题即可等价于：

  • 在这里插入图片描述

  • 因此：在这里插入图片描述

  • 对 x 求导：
    在这里插入图片描述

  • 解得（最小二乘解）
    在这里插入图片描述

3、仿射变换最小二乘解的例子

在这里插入图片描述

写成矩阵形式：
在这里插入图片描述
每对匹配点，提供两个约束。因此由N对点得到的等式组有2N个约束：
在这里插入图片描述
也可以简单写成：
u = A
总平方误差：
在这里插入图片描述
对每个参数求偏导，并令其为0，即
在这里插入图片描述
因此可得最小二乘解：
在这里插入图片描述

拓展小知识：

  • 在线性回归中，通常我们使用均方误差来作为损失函数，同时均方误差可以看作是最小二乘法中的 E /m（m 为样本个数），所以最小二乘法求出来的最优解就是将均方误差作为损失函数求出来的最优解。
  • 因此损失函数即可使用最小二乘法来表示
  • 对于一维特征的样本，拟合函数为
    在这里插入图片描述
  • 因此损失函数为：上标(i)表示第 i 个样本
    在这里插入图片描述

四、RANSAC 与 Least Squares Fit（最小二乘法）区别

	RANSAC算法：适用于含有较大的噪声或无效点的情况
	
	最小二乘法：适用于误差比较小的情况

如下图所示，在误差比较大的情况下，肉眼也能看出拟合出的直线，但用最小二乘法拟合的直线却是错误的。而用RANSAC算法却能成功拟合。
在这里插入图片描述

五、RANSAC 算法的优缺点

优点：当数据中有大量的异常数据时，也能高精度的进行估计拟合。

缺点：对于异常数据超过50%的时候，拟合效果不佳。需要设置特定于问题的阈值。迭代次数若受到限制，那么达到迭代次数时拟合出来的模型可能并不是最佳模型。特定数据只能拟合出一个模型，一般多模型拟合采用霍夫变换。

六、Opencv实现RANSAC算法

//RANSAC算法
int main()
{



    Mat img_object = imread("./data/101.png", IMREAD_GRAYSCALE);
    Mat img_scene = imread("./data/100.png", IMREAD_GRAYSCALE);

    if (img_object.empty() || img_scene.empty())
    {
        cout << "Could not open or find the image!\n" << endl;
        return -1;
    }
    //-- Step 1: Detect the keypoints using SURF Detector, compute the descriptors
    int minHessian = 800; // default: 400
    Ptr<SURF> surf = SURF::create(800);
    std::vector<KeyPoint> keypoints_object, keypoints_scene;
    Mat descriptors_object, descriptors_scene;
    surf->detectAndCompute(img_object, noArray(), keypoints_object, descriptors_object);
    surf->detectAndCompute(img_scene, noArray(), keypoints_scene, descriptors_scene);

    //-- Step 2: Matching descriptor vectors with a FLANN based matcher
    // Since SURF is a floating-point descriptor NORM_L2 is used
    Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create(DescriptorMatcher::FLANNBASED);
    std::vector< std::vector<DMatch> > knn_matches;
    matcher->knnMatch(descriptors_object, descriptors_scene, knn_matches, 2);

    //-- Filter matches using the Lowe's ratio test
    const float ratio_thresh = 0.75f;
    std::vector<DMatch> good_matches;
    for (size_t i = 0; i < knn_matches.size(); i++)
    {
        if (knn_matches[i][0].distance < ratio_thresh * knn_matches[i][1].distance)
        {
            good_matches.push_back(knn_matches[i][0]);
        }
    }

    //-- Draw matches
    Mat img_matches;
    drawMatches(img_object, keypoints_object, img_scene, keypoints_scene, good_matches, img_matches, Scalar::all(-1),
        Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);

    //-- Localize the object
    std::vector<Point2f> obj;
    std::vector<Point2f> scene;

    for (size_t i = 0; i < good_matches.size(); i++)
    {
        //-- Get the keypoints from the good matches
        obj.push_back(keypoints_object[good_matches[i].queryIdx].pt);
        scene.push_back(keypoints_scene[good_matches[i].trainIdx].pt);
    }
    vector<uchar>inliers;
    Mat H = findHomography(obj, scene, inliers, RANSAC);


    //-- Draw matches with RANSAC
    Mat img_matches_ransac;
    std::vector<DMatch> good_matches_ransac;
    for (size_t i = 0; i < inliers.size(); i++)
    {
        if (inliers[i])
        {
            good_matches_ransac.push_back(good_matches[i]);
        }
    }
    drawMatches(img_object, keypoints_object, img_scene, keypoints_scene, good_matches_ransac, img_matches_ransac, Scalar::all(-1),
        Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
    namedWindow("img_matches", WINDOW_NORMAL);
    imshow("img_matches", img_matches);
    imwrite("img_matches.jpg", img_matches);

    namedWindow("img_matches_ransac", WINDOW_NORMAL);
    imshow("img_matches_ransac", img_matches_ransac);
    imwrite("img_matches_ransac.jpg", img_matches_ransac);
	waitKey();

	return 0;
}

效果图：
在这里插入图片描述
在这里插入图片描述

参考博文

————————

所有无聊的事情都会衍生出很多细节让你觉得它复杂而有趣，投入其中而浑然不知其无聊的本质。
–王小波

Fighting_FPGA
关注
  • 17
    点赞
  • 踩
  • 140
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
基于OpenCV(C++)实现的RANSAC随机抽样一致性的曲线拟合（二次）
thequitesunshine007的博客
04-04 1169
这篇文章与其类似，只是从拟合直线变为拟合曲线（二次）。有时候只懂得拟合直线可能是不够的，甚至只拟合二次曲线都不一定能满足实际需求。但好在我们可以触类旁通，举一反三。对于学习算法的人，最重要的就是理解它的思想，久而久之形成自己的思想体系，以后遇到问题的时候就能在脑子里闪现出方案。活学活用四个字很简单，但做起来却是很难很难，跟做人一样，活到老学到老。
ransac 剔除图像匹配中的误匹配点
04-23
7. **图像拼接**：剔除了误匹配点后，可以使用剩余的匹配点进行图像的精确配准和拼接，通常会利用刚体变换、单应性变换或其他几何变换。 在压缩包中的“RANSAC”文件可能包含了实现以上流程的源代码。通过阅读和...
OpenCV3.0实现SIFT特征提取+RANSAC剔除误匹配点
11-21
OpenCV3.0实现SIFT特征提取+RANSAC剔除误匹配点，首先进行提取SIFT特征点。然后再通过RANSAC剔除误匹配点
OpenCV（四十七）：RANSAC优化特征点匹配
weixin_63357306的博客
09-16 1255
RANSAC是一种常用的参数估计方法，全称为Random Sample Consensus（随机抽样一致性）。它的主要思想是通过随机选择一部分数据样本，构建模型并评估其拟合程度，迭代过程中逐步优化模型，最终得到一个拟合较好的模型。随机取样，计算规律(特征点匹配中计算单应矩阵)测试规律是否满足大多数数据循环前两步选取最佳规律，并输出满足数据的点。
OpenCV算法解析 - 最小二乘法&RANSAC思想
最新发布
Yophan的博客
05-27 984
OpenCV算法解析 - 最小二乘法&RANSAC思想
论文研究-基于SURF算法和SC-RANSAC算法的图像配准.pdf
07-22
提出了一种融合SURF算法和SC-RANSAC算法的图像配准方法。首先利用SURF算法提取待匹配图像的特征, 然后用最近邻方法找出匹配点, 最后运用SC-RANSAC算法剔除错误的匹配点, 实现图像的正确配准。实验结果表明, 该方法在保持较高的特征点正确匹配率的前提下, 配准速度高于SURF和RANSAC相结合的方法和SIFT和RANSAC相结合的方法。
Opencv之RANSAC算法用于直线拟合及特征点集匹配详解
yohnyang的博客
10-19 3731
Opencv之RANSAC算法用于直线拟合及特征点集匹配详解
RANSAC算法下两张图片的匹配效果——计算机视觉
weixin_42645763的博客
03-22 4819
文章目录一、简述二、原理三、实验要求四、实验代码五、实验结果与分析六、总结 一、简述 RANSAC是“RANdom SAmple Consensus（随机抽样一致）”的缩写。它可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数。它是一种不确定的算法——它有一定的概率得出一个合理的结果；为了提高概率必须提高迭代次数。 RANSAC的基本假设是： （1）数据由“局内点”组成，例如：...
RANSAC(随机采样一致算法)原理及openCV代码实现
Sunshine_in_Moon的专栏
05-03 6479
 本文转自：http://blog.csdn.net/yihaizhiyan/article/details/5973729 http://blog.csdn.net/Sway_2012/article/details/37765765 http://blog.csdn.net/zouwen198317/article/details/38494149 1.什么是RANSAC? RA
Homograph Matrix(单应性矩阵)、RANSAC(随机采样一致)及其在图像配准中的应用、代码讲解
诺有缸的高飞鸟的博客
05-19 3205
目录写在前面使用单应性矩阵配准图像实验单应性矩阵理解求解推导误差剔除与RANSACopencv源码讲解函数接口使用调试核心代码1：findHomography的接口核心代码2：创建RANSAC对象核心代码3：ransac run()函数核心代码4：最小二乘求解的SVD求解runKernel()参考完 写在前面 正在写… 1、文中所有资源、参考已给出来源链接，如有侵权请联系删除 2、本文实验环境： win10+vs2019+opencv440(vs2019配置opencv+contrib-440 + PCL1
图像拼接中的RANSAC算法
XYLiu的专栏
06-05 5696
RANSAC(Random Sample Consensus)即随机采样一致性，对SIFT算法产生的128维特征描述符进行剔除误匹配点。        首先，从已求得的配准点对中抽取几对配准点，计算变换矩阵，并将这几对点记录为”内点”。继续寻找配准点对中的非内点，若这些配准点对符合矩阵，则将其添加到内点。当内点中的点对数大于设定阈值时，则判定此矩阵为精确的变换矩阵。依照以上方法，随机采样 N 次
2 OpenCV实现的F矩阵+RANSAC原理与实践
PLUS_WAVE的博客
09-20 648
RANSAC 的缺点是计算这些参数所需的时间没有上限，其需要进行大量的随机采样和模型拟合，因此对于大规模数据集来说，计算复杂度较高，可能需要较长的时间来运行。RANSAC 的主要思想是随机采样数据点，用这些采样点拟合一个模型，然后计算其他数据点到这个模型的拟合误差；根据误差和阈值，将数据点分为。如果内点的数量达到了某个设定的阈值，且模型参数的估计是合理的（例如，模型的拟合误差小于一定阈值），则认为找到了一个满足条件的模型。计算所有数据点到模型的拟合误差，并将与模型拟合误差小于某个阈值的数据点标记为内点。
利用GPU加速的SIFT算法，实现影像匹配，并利用RANSAC进行粗差的剔除
04-30
利用GPU加速的SIFT算法，实现影像匹配，并利用RANSAC进行粗差的剔除(GPU-accelerated use SIFT algorithm to achieve image matching, and use RANSAC removing coarse poor)
基于opencv的图像匹配sift算法
04-28
SIFT算法在物体识别中的应用通常涉及两步：特征匹配和几何验证。首先，从待识别物体的模板图像和查询图像中提取SIFT特征。然后，使用某种匹配策略（如Brute-Force匹配或FLANN启发式匹配）找到最佳匹配对。最后，...
ransac_RANSAC_RANSAC匹配_sift+ransac_sift_特征点优化_
09-29
SIFT（尺度不变特征变换）是一种经典的局部特征描述子，而RANSAC（随机样本一致）则是一种有效的算法，用于去除异常值并优化匹配结果。下面我们将深入探讨这两个技术以及它们在图像拼接中的应用。 SIFT特征是一种...
使用RANSAC拟合二维直线
落叶知秋了哟的博客
04-03 489
二维直线的拟合
python-opencv实现车道线识别canny+Hough+RANSAC
JJ-Li的博客
07-10 1940
基于python-poencv实现车道线检测，机器视觉技术，利用到了边缘检测，霍夫变换，RANSAC等技术
Opencv计算机视觉实战(Python版)
01-22
Opencv计算机视觉实战课程旨在帮助大家快速掌握机器视觉领域必备知识点原理及其在Opencv中的使用方法。课程风格通俗易懂，用最接地气的方式来讲解晦涩难懂的知识点。整体设计以项目实战来驱动学习，课程中所有代码均使用Python完成，在实战中首先讲解整体解决方案，接下来通过Debug模式来一步步分析每一行代码的作用及其完成的效果，提供全部课件及项目中所使用代码和数据。
RobHess的SIFT代码解析之RANSAC
Alliswell_WP
06-03 310
平台：win10 x64 +VS 2015专业版 +opencv-2.4.11 + gtk_-bundle_2.24.10_win32 主要参考：1.代码：RobHess的SIFT源码：SIFT+KD树+BBF算法+RANSAC算法 2.书：王永明 王贵锦 《图像局部不变性特征与描述》 RobHess的SIFT源码中的几个文件说明？ RobHess的SIFT源码分析：...
opencv3.0实现sift特征提取+ransac剔除误匹配点
07-08
### 回答1： SIFT（尺度不变特征转换）是一种图像特征提取算法，而RANSAC（随机抽样一致性）是一种用于剔除误匹配点的算法。下面是关于如何在OpenCV 3.0中实现这两种算法的简要步骤。 首先，打开一个图像并加载其所需的库： ``` import cv2 import numpy as np ``` 然后，我们可以从图像中提取SIFT特征： ``` # 加载图像 img = cv2.imread('image.jpg',0) # 创建SIFT对象 sift = cv2.xfeatures2d.SIFT_create() # 检测并计算SIFT特征 keypoints, descriptors = sift.detectAndCompute(img, None) ``` 接下来，我们可以使用RANSAC算法来剔除误匹配点： ``` # 创建FLANN匹配器对象 FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) # 在两幅图像之间匹配特征点 matches = flann.knnMatch(descriptors1, descriptors2, k=2) # 进行RANSAC过滤 good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) # 绘制匹配结果 result = cv2.drawMatches(img1, keypoints1, img2, keypoints2, good_matches, None, flags=2) cv2.imshow('Matches', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上述代码中，我们首先创建了一个FLANN（快速最近邻搜索）匹配器对象，然后使用`knnMatch`函数在两幅图像之间进行特征点的匹配。最后，我们使用RANSAC算法对匹配点进行过滤，并将结果绘制出来。 以上是在OpenCV 3.0中实现SIFT特征提取和RANSAC误匹配点剔除的简要步骤。实际操作中还可以进行更详细的参数设置和优化，以便得到更好的匹配结果。 ### 回答2： OpenCV 3.0 是一个非常强大的计算机视觉库，它提供了许多功能来处理图像处理和计算机视觉任务。其中包括使用SIFT算法进行特征提取和使用RANSAC算法进行误匹配点的剔除。 首先，SIFT（尺度不变特征变换）是一种用于在图像中检测和描述关键点的算法。在OpenCV 3.0中，你可以使用`cv2.xfeatures2d.SIFT_create()`来创建一个SIFT对象。然后，你可以使用`detectAndCompute()`方法来检测并计算图像的关键点和特征描述符。通过调用这个方法，你将得到检测到的关键点和对应的特征描述符。 接下来，我们可以使用RANSAC（随机样本一致性）算法来剔除误匹配点。RANSAC算法能够通过随机选择样本子集并估计模型参数来寻找数据中的局内点。在OpenCV 3.0中，你可以使用`cv2.RANSAC`作为参数来创建一个RANSAC对象。然后，你可以使用`findHomography()`方法来计算通过RANSAC算法筛选后的匹配点之间的透视变换矩阵。这个矩阵可以用来剔除误匹配点。 总结一下，OpenCV 3.0可以通过`cv2.xfeatures2d.SIFT_create()`方法进行SIFT特征提取，并使用RANSAC算法来剔除误匹配点。这两个功能都是非常有用的计算机视觉任务，能够帮助我们更好地处理和分析图像。 ### 回答3： 在OpenCV 3.0中，可以使用SIFT算法进行图像的特征提取，并采用RANSAC算法剔除误匹配点。 SIFT（Scale-Invariant Feature Transform）特征提取算法是一种基于尺度空间的特征提取方法，它可以提取图像中的稳定特征点和其对应的描述子。在OpenCV中，可以使用sift.detectAndCompute()函数来提取图像的SIFT特征点和描述子。 RANSAC（Random Sample Consensus）算法是一种鲁棒的参数估计算法，它可以从一组数据中剔除异常点，从而得到准确的模型参数。在特征匹配中，可以使用RANSAC算法来剔除误匹配点，以提高匹配的准确性。 具体实现的步骤如下： 1. 导入OpenCV和Numpy库，并读取需要进行特征匹配的两幅图像。 ```python import cv2 import numpy as np img1 = cv2.imread('image1.jpg', 0) img2 = cv2.imread('image2.jpg', 0) ``` 2. 创建SIFT对象，并使用sift.detectAndCompute()函数提取图像的SIFT特征点和描述子。 ```python sift = cv2.SIFT_create() kp1, des1 = sift.detectAndCompute(img1, None) kp2, des2 = sift.detectAndCompute(img2, None) ``` 3. 使用FLANN匹配器对两幅图像的描述子进行匹配。 ```python FLANN_INDEX_KDTREE = 0 index_params = dict(algorithm=FLANN_INDEX_KDTREE, trees=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params) matches = flann.knnMatch(des1, des2, k=2) ``` 4. 运用RANSAC算法剔除误匹配点。 ```python good_matches = [] for m, n in matches: if m.distance < 0.7 * n.distance: good_matches.append(m) src_pts = np.float32([kp1[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2) dst_pts = np.float32([kp2[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2) M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0) ``` 通过以上步骤，我们可以得到经过RANSAC算法筛选后的匹配点，并且可以通过M矩阵获取图像的对应关系。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Fighting_FPGA

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值