opencv学习——cv2.findHomography()

最新推荐文章于 2025-01-31 05:14:22 发布

Charles.zhang

最新推荐文章于 2025-01-31 05:14:22 发布

阅读量5.7w

点赞数 29

分类专栏： # OpenCV-Python

原文链接：https://www.jianshu.com/p/d835f1a4717c

版权

OpenCV-Python 专栏收录该内容

61 篇文章

订阅专栏

＃第三个参数用于计算单应矩阵的方法。 可以使用以下方法：
         ＃0  - 使用所有点的常规方法
         #CV_RANSAC  - 基于RANSAC的鲁棒方法
         #CV_LMEDS  - 最少中位数的鲁棒方法
         ＃第四个参数取值范围在1到10，绝一个点对的阈值。原图像的点经过变换后点与目标图像上对应点的误差
         ＃超过误差就认为是异常值
         ＃返回值中H为变换矩阵.mask是掩模，在线的点
         H，mask = cv2.findHomography（src_pts，dst_pts，cv2.RANSAC，5.0）

我们之前使用了查询图像，找到其中的一些特征点，我们取另外一个训练图像，找到里面的特征，我们找到它们中间最匹配的。简单说就是我们在一组图像里找一个目标的某个部分的位置。

我们可以使用一个calib3d模块里的函数，cv2.findHomography().如果我们传了两个图像里的点集合，它会找到那个目标的透视转换。然后我们可以使用cv2.perspectiveTransform()来找目标，它需要至少4个正确的点来找变换。

我们看过可能会有一些匹配是的错误而影响结果。哟啊解决这个问题，算法使用了RANSAC或者LEAST_MEDIAN（由标志决定）。提供正确估计的好的匹配被叫做inliers，而其他的叫做outliers。cv2.findHomography()返回一个掩图来指定inlier和outlier。

code

首先，和正常一样，我们找到SIFT特征，用比率检测来找最匹配的。

import numpy as np
import cv2
from matplotlib import pyplot as plt

MIN_MATCH_COUNT = 10

img1 = cv2.imread('box.png',0) # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage

# Initiate SIFT detector
sift = cv2.SIFT()

# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)

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)

# store all the good matches as per Lowe's ratio test.
good = []
for m,n in matches:
if m.distance < 0.7*n.distance:
good.append(m)

现在我们设置一个至少10个匹配的条件（有MIN_MATCH_COUNT指定）来找目标。否则就显示一个信息说没有足够的匹配。

如果找到了足够的匹配，我们得到两张图像里标记的关键点的位置。他们被传到透视转换。当我们得到了3x3的转换矩阵，我们用它来把查询图像里的角转换到响应的训练图像的对应点。然后画出来。

if len(good)>MIN_MATCH_COUNT:
src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)

M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
matchesMask = mask.ravel().tolist()

h,w = img1.shape
pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)
dst = cv2.perspectiveTransform(pts,M)

img2 = cv2.polylines(img2,[np.int32(dst)],True,255,3, cv2.LINE_AA)

else:
print "Not enough matches are found - %d/%d" % (len(good),MIN_MATCH_COUNT)
matchesMask = None

最后我们画出我们的inliers(如果成功找到了目标）或者匹配关键点（如果失败了）

draw_params = dict(matchColor = (0,255,0), # draw matches in green color
singlePointColor = None,
matchesMask = matchesMask, # draw only inliers
flags = 2)

img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)

plt.imshow(img3, 'gray'),plt.show()

看下面的结果，目标被白色标出来