这段代码,用 src 和 ref_images 保存 在 src重建和ref 重建中都存在的图像。
重建类包含有关单个重建模型的所有信息。 它由映射和捆绑调整类使用,并且可以写入磁盘和从磁盘读取。重建类中的图像类:
图像类是保存有关图像的信息的类。 图像是在某个位置(参数化为姿势)拍摄的一台相机的产物。 一个图像可以与多个其他图像共享一个相机,如果它的内在特性是相同的
for (size_t i = 0; i < common_image_ids.size(); ++i) {
src_images[i] = &src_reconstruction.Image(common_image_ids[i]);
ref_images[i] = &ref_reconstruction.Image(common_image_ids[i]);
}
然年调用 ransac 进行两个子模型的对准
const auto report = ransac.Estimate(src_images, ref_images);
如下是Estimate的参数,可见其只需要两个 图像列表(src_images 和 ref_images),返回是一个Report(涵盖了模型对其的结果数据和是否成功布尔判断吧应该)
typename LORANSAC<Estimator, LocalEstimator, SupportMeasurer, Sampler>::Report
LORANSAC<Estimator, LocalEstimator, SupportMeasurer, Sampler>::Estimate(
const std::vector<typename Estimator::X_t>& X,
const std::vector<typename Estimator::Y_t>& Y) {
下面应该是一些准备工作,num_samples就是采样数,程序中 采样数=两模型共有的图片数,比如共有 10张图 那么ransac就采样10次,ransac应该是估计出满足这10张图片的一个模型
,嗯。
CHECK_EQ(X.size(), Y.size());
const size_t num_samples = X.size();
typename RANSAC<Estimator, SupportMeasurer, Sampler>::Report report;
report.success = false;
report.num_trials = 0;
if (num_samples < Estimator::kMinNumSamples) {
return report;
}
这边是申请一些变量,变量的含义在注释中
//最优的模型解
typename SupportMeasurer::Support best_support;
typename Estimator::M_t best_model;
bool best_model_is_local = false;
bool abort = false;
//最大的残差
const double max_residual = options_.max_error * options_.max_error;
// 用于存储每个 采样点残差 的数组
std::vector<double> residuals(num_samples);
//
std::vector<typename LocalEstimator::X_t> X_inlier;
std::vector<typename LocalEstimator::Y_t> Y_inlier;
// 临时的全局 Estimator
std::vector<typename Estimator::X_t> X_rand(Estimator::kMinNumSamples);
std::vector<typename Estimator::Y_t> Y_rand(Estimator::kMinNumSamples);
// 采样类的实例化,参数只是一个采样数
sampler.Initialize(num_samples);
// 确定采样数
size_t max_num_trials = options_.max_num_trials;
max_num_trials = std::min<size_t>(max_num_trials, sampler.MaxNumSamples());
size_t dyn_max_num_trials = max_num_trials;
假如说num_trials为100,意思是进行100轮的ransac估计,下面就是for循环
for (report.num_trials = 0; report.num_trials < max_num_trials;
++report.num_trials) {
// 暂停,跳过一次循环
if (abort) {
report.num_trials += 1;
break;
}
// 进行采样,以common images数量为10为例,这里随机采样10个图片吧应该
sampler.SampleXY(X, Y, &X_rand, &Y_rand);
// 用采样到的这10张图片,估计模型,怎么估计的,估计的细节是什么在下一个博客
// 返回不止一个模型,返回一个模型集合 sample_models
const std::vector<typename Estimator::M_t> sample_models =
estimator.Estimate(X_rand, Y_rand);
// 循环选择出最好的
for (const auto& sample_model : sample_models) {
// 用模型估计残差,怎么估计,估计的细节在下一个博客
estimator.Residuals(X, Y, sample_model, &residuals);
CHECK_EQ(residuals.size(), X.size());
const auto support = support_measurer.Evaluate(residuals, max_residual);
// Do local optimization if better than all previous subsets.
if (support_measurer.Compare(support, best_support)) {
//如果当前的模型最优 ↓↓↓↓
best_support = support;
best_model = sample_model;
best_model_is_local = false;
// Estimate locally optimized model from inliers.
// Estimator 和 LocalEstimator 应该分别指的是全局的ransac估计和
// 这10个采样的ransac估计?
if (support.num_inliers > Estimator::kMinNumSamples &&
support.num_inliers >= LocalEstimator::kMinNumSamples) {
X_inlier.clear();
Y_inlier.clear();
X_inlier.reserve(support.num_inliers);
Y_inlier.reserve(support.num_inliers);
// ransac的策略,如果遇到更好的,就用当前的10张图片为基础,
// 在这10个的基础上进行估计
// X_inlier 和 Y_inlier 是更好的采样数据
// 通过计算内点的数量并对所有内点残差求和来衡量模型的支持度。
// 如果它具有更多的内点和更小的残差总和,则此模型为更好
for (size_t i = 0; i < residuals.size(); ++i) {
if (residuals[i] <= max_residual) {
X_inlier.push_back(X[i]);
Y_inlier.push_back(Y[i]);
}
}
const std::vector<typename LocalEstimator::78h> local_models =
local_estimator.Estimate(X_inlier, Y_inlier);
//在更好的采样结果上重复筛选操作
for (const auto& local_model : local_models) {
local_estimator.Residuals(X, Y, local_model, &residuals);
CHECK_EQ(residuals.size(), X.size());
const auto local_support =
support_measurer.Evaluate(residuals, max_residual);
// 保存最好的结果
if (support_measurer.Compare(local_support, best_support)) {
best_support = local_support;
best_model = local_model;
best_model_is_local = true;
}
}
}
// 调整一下循环次数,优化时间
dyn_max_num_trials =
RANSAC<Estimator, SupportMeasurer, Sampler>::ComputeNumTrials(
best_support.num_inliers, num_samples, options_.confidence,
options_.dyn_num_trials_multiplier);
}
// 特判跳出循环
if (report.num_trials >= dyn_max_num_trials &&
report.num_trials >= options_.min_num_trials) {
abort = true;
break;
}
}
}