RANSAC算法筛选匹配点

最新推荐文章于 2023-07-05 20:50:33 发布

彰阙有常

最新推荐文章于 2023-07-05 20:50:33 发布

阅读量890

点赞数

文章标签：算法 python 矩阵

本文链接：https://blog.csdn.net/qq_38844437/article/details/124693788

版权

本文详细介绍了RANSAC算法如何通过迭代挑选内点，计算初始变换矩阵并不断优化，以确定最匹配的单应矩阵。关键步骤包括内点集生成、误差计算和阈值判断。通过计算概率来决定重复实验次数，确保找到最少错误的对应关系。

摘要由CSDN通过智能技术生成

算法过程

随机挑选四组点对生成内点集，并计算初始变换矩阵 H
根据 H 对剩余点进行变换，计算预测点与真实点之间的均方差，存储所有误差
判断整体误差的最大值是否小于指定阈值，并且如果小于最小误差，则将此次误差的最大值作为最小误差，循环结束前返回到第一步。
返回最小误差对应的变换矩阵

迭代次数确定

Ransac 算法需要多次迭代来确定最优变换矩阵，假设 $w = 内点个数 / 所有点的个数$
采样的 n个点全为内点的概率 $p_0=w^n$ ，至少有一个为外点的概率 $p 1 = 1 - p 0$
则重复 K 次实验，每次都至少有一个外点的概率 $p2=p1^K$
则K次采样中至少一次采样是有效采样的概率 $p = 1 - p 2$ ，最终计算得：
$K=\frac{log(1−p)}{log(1−p_0)}$

    ransac_iters = int(round(math.log(1 - valid_prob) / math.log(math.pow(1 - inner_prob, samples) + 1e-8)))

这里 inner_prob 为内点概率值，valid_prob 为采样有效的概率值

迭代估计最优单应矩阵

每次迭代进行以下操作

随机选取四个点对作为初始内点集合，并计算变换矩阵

consensus_set = []
        points_list_temp = deepcopy(points_list).tolist()
        for j in range(4):
            temp = random.choice(points_list_temp)
            consensus_set.append(temp)
            points_list_temp.remove(temp)

        sp = np.asarray([_[0] for _ in consensus_set], dtype=np.float32)
        dp = np.asarray([_[1] for _ in consensus_set], dtype=np.float32)

        # 从一致集合中计算变换矩阵
        H = cv2.getPerspectiveTransform(sp, dp)

对剩下的点进行遍历，计算误差

        for p1, p2 in points_list_temp:
            x1, y1 = p1
            x2, y2 = p2
            src_p = np.array([x1, y1, 1], dtype=np.float32)
            dst_p = np.array([x2, y2, 1], dtype=np.float32)

            # 计算实际值与预测结果的均方差
            out = dst_p - np.dot(H, src_p)
            # 计算 sqrt(dx2+dy2)
            dist_error = np.hypot(out[0], out[1])
            dist_errors.append(dist_error)
             if dist_error < threshold and dist_error < max_error:
                consensus_set.append([p1, p2])
                dist_errors.append(dist_error)

与最小的误差进行比较，获取最优集

        if max(dist_errors) < max_error:
            max_error = max(dist_errors)
            max_inliers = consensus_set
            model_h = H

        return np.asarray(max_inliers, dtype=np.float32), model_h