单应性矩阵由配对的内点计算出来
u,v是原始图片左边,对应得到变换后的图片坐标x,y,其中
变换矩阵可以拆成4部分,表示线性变换,比如scaling,shearing和ratotion。用于平移,产生透视变换。
重写之前的变换公式可以得到:
OpenCV 代码实现是getPerspectiveTransform()和findHomography()
/* Calculates coefficients of perspectivetransformation
*which maps (xi,yi) to (ui,vi), (i=1,2,3,4):
*
* c00*xi + c01*yi + c02
* ui= ---------------------
* c20*xi + c21*yi + c22
*
* c10*xi + c11*yi + c12
* vi= ---------------------
* c20*xi + c21*yi + c22
*
*Coefficients are calculated by solving linear system:
* /x0 y0 1 0 0 0 -x0*u0 -y0*u0 \ /c00\ /u0\
* |x1 y1 1 0 0 0 -x1*u1 -y1*u1 | |c01| |u1|
* |x2 y2 1 0 0 0 -x2*u2 -y2*u2 | |c02| |u2|
* |x3 y3 1 0 0 0 -x3*u3 -y3*u3 |.|c10|=|u3|,
*| 0 0 0 x0 y0 1 -x0*v0 -y0*v0 | |c11| |v0|
*| 0 0 0 x1 y1 1 -x1*v1 -y1*v1 | |c12| |v1|
*| 0 0 0 x2 y2 1 -x2*v2 -y2*v2 | |c20| |v2|
*\ 0 0 0 x3 y3 1 -x3*v3 -y3*v3 / \c21/ \v3/
*
*where:
* cij- matrix coefficients, c22 = 1
*/
cv::Mat cv::getPerspectiveTransform( constPoint2f src[], const Point2f dst[] )
{
}
更完善的函数是findHomography()
pairwise_matches_ contains the matching relation. BestOf2NearestMatcher.BestOf2NearestMatcher::match() which is derived from FeaturesMatcher which hasone operator(), the () below will invoke BestOf2NearestMatcher::match() whichwill calculate H matrix. 单应性矩阵计算从匹配的内点
matches_info.H = findHomography(src_points,dst_points, matches_info.inliers_mask, RANSAC);
都用于计算单应矩阵,即解一个线性方程组。由于单应矩阵有8个未知数(3*3,其中第9个数为1),所以至少需要4个点(每个点-x,y,提供2个约束方程)。
发现getPerspectiveTransform用的是SVD分解,getPerspectiveTransform只会拿前4个点去计算,getPerspectiveTransform()比较简单粗暴。
findHomography则会拿一堆点(>=4)去计算(其是不断从一堆点中重复拿出4个点去计算出一个结果,再采用一些优化算法RANSAC/LMEDS去筛选出最优解)。
如果参数被设置为0,那么这个函数使用所有的点和一个简单的最小二乘算法来计算最初的单应性估计,但是,如果不是所有的点对都完全符合透视变换,那么这个初始的估计会很差,在这种情况下,你可以使用两个robust算法中的一个。RANSAC 和LMeDS , 使用坐标点对生成了很多不同的随机组合子集(每四对一组),使用这些子集和一个简单的最小二乘法来估计变换矩阵,然后计算出单应性的质量,最好的子集被用来产生初始单应性的估计和掩码。
RANSAC方法几乎可以处理任何异常,但是需要一个阈值, LMeDS 方法不需要任何阈值,但是只有在inliers大于50%时才能计算正确,最后,如果没有outliers和噪音非常小,则可以使用默认的方法。
相机参数估计(R,T,K 矩阵)