1.简述
在实现多图像无序输入的拼接中,我们先使用surf算法对任意两幅图像进行特征点匹配,每对图像的匹配都有一个置信度confidence参数,来衡量两幅图匹配的可信度,当confidence>conf_threshold,我们就认为这两幅图可以拼接,属于一个全景拼接的集合,然后扩展这个集合就可以确定最大的可拼接集合,排除一些无效的图像,然后进行后续的拼接。
并查集的定义就是并查集是一种树型的数据结构,用于处理一些不相交集合(Disjoint Sets)的合并及查询问题。即将属于相同集合的元素合并起来,中间需要查找某个元素属于哪个集合,然后需要将两个元素或者集合进行合并处理。
2.结构体及函数定义
下面我们介绍opencv的stitching_detailed.cpp中使用的互斥集结构和函数的定义
class CV_EXPORTS DisjointSets
{
public:
//互斥集初始化,元素个数是elem_count
DisjointSets(int elem_count = 0) { createOneElemSets(elem_count); }
void createOneElemSets(int elem_count); //创建互斥集
int findSetByElem(int elem); //查找元素所属的集合
int mergeSets(int set1, int set2);//合并两个集合
std::vector<int> parent; //元素所属集合 parent[elem] = set ,元素elem的集合是set
std::vector<int> size; //集合的包含的元素个数 size[set] = set_size,集合set的元素数是set_size
private:
std::vector<int> rank_;//rank_[set] = rank,集合set标记
};
/************************************************************************/
/*
创建一个互斥集,尺寸为n
%参数 int n,输入互斥集的尺寸
*/
/************************************************************************/
void DisjointSets::createOneElemSets(int n)
{
rank_.assign(n, 0);//设置rank_长度为n,初始值为0
size.assign(n, 1);//设置size长度为n,初始值为1
parent.resize(n); //设置parent的长度为n
for (int i = 0; i < n; ++i)
parent[i] = i;//parent[elem] = set,初始化每个元素所在的集合
}
/************************************************************************/
/*
查找元素所在的集合
%参数int elem 输入元素
*/
/************************************************************************/
int DisjointSets::findSetByElem(int elem)
{
//由于互斥集也是树形结构,所以需要向上递归到根节点,即元素所属的最终集合
int set = elem;
while (set != parent[set]) //如果元素的值与所属集合的值不相同,说明元素是经过集合合并过的,所以要继续向上递归
set = parent[set];
int next;
while (elem != parent[elem])//将之前所有的递归过的元素的集合全改成最终的根节点集合
{
next = parent[elem];
parent[elem] = set;
elem = next;
}
return set;
}
/************************************************************************/
/*
合并两个集合
%参数int set1,int set2 两个集合set1和set2
*/
/************************************************************************/
int DisjointSets::mergeSets(int set1, int set2)
{
//比较两个集合的rank_,将rank_值小的集合合并到值大的集合中
if (rank_[set1] < rank_[set2])
{
parent[set1] = set2;
size[set2] += size[set1];
return set2;
}
if (rank_[set2] < rank_[set1])
{
parent[set2] = set1;
size[set1] += size[set2];
return set1;
}
//如果rank_相等,则默认将set1合并到set2中,set2的rank_值+1
parent[set1] = set2;
rank_[set2]++;
size[set2] += size[set1];
return set2;
}
模拟程序:
#include "util.hpp"
#include <iostream>
#include <time.h>
#include <vector>
#include <stdlib.h>//srand()、rand()
#define conf_threshold 90
#define num_images 10
void main()
{
int max_comp = 0;
int max_size = 0;
vector<int> confident(num_images*num_images);
DisjointSets comps(num_images);
//使用随机数模拟多幅图像中每个图像相互匹配的置信度(0-100)
//另外1与2的匹配置信度和2与1的置信度我们默认相同(实际中是不相同的)
srand((unsigned)time(NULL));//初始化随机函数种子
for (int i = 0;i<num_images;i++)
{
cout<<endl;
for (int j = 0;j<num_images;j++)
{
if (!confident[i*num_images+j])
{
confident[i*num_images+j] = rand()%100;
confident[j*num_images+i] = confident[i*num_images+j];
}
if (i == j)
{
confident[i*num_images+j] = 100;
}
cout<<" "<<confident[i*num_images+j];
}
}
//根据两幅图匹配置信度是否大于conf_threshold来决定是否属于一个全景集合
for (int i = 0; i < num_images; ++i)
{
for (int j = 0; j < num_images; ++j)
{
if (confident[i*num_images + j] < conf_threshold)
continue;
int comp1 = comps.findSetByElem(i);
int comp2 = comps.findSetByElem(j);
if (comp1 != comp2)
comps.mergeSets(comp1, comp2);
}
}
//找出包含图片最多的全景集合
for (int i = 0;i< num_images;i++)
{
if (i == 0)
{
max_comp = 0;
max_size = comps.size[i];
}
else if(comps.size[i]>max_size)
{
max_comp = i;
max_size = comps.size[i];
}
}
//将该集合中的元素打印出来
cout<<endl<<"images in the max_comp:"<<endl;
int j = 0;
for (int i = 0;i<num_images;i++)
{
if (comps.findSetByElem(i) == max_comp)
{
cout<<++j<<": "<< i<<endl;
}
}
while(1);
}
输出结果: