【记录贴】2D匹配

已于 2023-02-04 16:20:03 修改
阅读量888 收藏 1
点赞数
文章标签： 计算机视觉
于 2022-12-01 10:04:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40724911/article/details/128126277
版权

文章目录

2D匹配

说明：
（1）[Out]为算子的输出，其余为输入；
（2）ModelID 表示模型的索引；
（3）create函数中，AngleStart、AngleExtent、AngleStep分别表示模板的最小旋转角度、旋转跨度、角度的步长（分辨率），以rad为单位；【注意：旋转范围相对于参考图像定义，即起始角度 0 对应对象在参考图像中的方向。因此，例如允许旋转角度为+/-5°，应将起始角度AngleStart设置为 -rad（5），将角度跨度AngleExtent设置为 rad（10）。】
Q1：角度的旋转方向好像没有说明，只说明了相对参考图像来定义旋转范围。–>观察first_example_shape_matching例程的结果，就能得到旋转方向，例程中逆时针方向角度从0开始增大，0°的位置由模板图像决定；下面两幅图说明了这个情况：
在这里插入图片描述
在这里插入图片描述
（4）find函数中，NumMatches表示每次查找目标的数量，一次查找多个，该值为0；
（5）find函数中，Row、Column、Angle、Score分别为查找到的目标的中心位置 （实际是模板ROI的中心）、角度、与模板的相似度；
下图，全图匹配，找到所有可能的匹配目标，输出的匹配点很接近模板ROI的中心：（以下几张图片匹配点坐标由find_shape_model输出）
在这里插入图片描述
下图，蓝色框内部只有一个对象，模板ROI是绿色框，注意观察表内的匹配框中心和匹配点的坐标： 1个问题：蓝色框中心是匹配框中心吗？
在这里插入图片描述
下图，蓝色框内有两个目标，绿色框是模板ROI，匹配这两个目标，注意观察表内的匹配框中心和匹配点，可以发现蓝色框的中心不是匹配框中心，再次确定 匹配点是模板ROI的中心（像素误差1~2，个人认为可以忽略）；
在这里插入图片描述
（6）Contrast：Contrast = [lowerThre，upperThre，minSize]表示滞后阈值，val(upperThre)==val(lowerThre)表示不使用滞后阈值，minSize的值可以是具体的数值，也可以是“auto_min_size”；注意：自动确定的参数值可能不是最适合的。【hysteresis_threshold：主要看low、high和maxlength这三个参数，某个灰度值为g。
(1)g≥high的点，都接受，称为“安全点”；
(2)介于low、high之间的点称为“潜在点”，pg1表示；“潜在点”到“安全点”的路径有最大长度，如果pg1通过该条路径可以到达“安全点”，那么pg1被归为“安全点”；】

（1）以像素灰度值的关系描述模型

主要介绍NCC匹配的相关内容。

特点：使用像素及其邻域灰度值作为模板；

方法：包括灰度值匹配和NCC匹配，但是这里只记录NCC匹配，下图是NCC匹配的方法；

适用场景：适用于（1）以固定纹理为特征的图像；（2）图像严重失焦，比如物体到相机的距离变化引起的失焦，模板需是良好聚焦的图像；（3）线性光照变化大时也能用，比如曝光时间从极短到极长，模板需是良好照明下的图像；（4）但不适用于背景太复杂的图像。
在这里插入图片描述

  • 创建：create_ncc_model
    • create_ncc_model (Template, NumLevels, AngleStart, AngleExtent, AngleStep, Metric, ModelID)
      [Out]：ModelID
  • 查找：find_ncc_model
    • find_ncc_model (Image, ModelID, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels, Row, Column, Angle, Score)
      [Out]：Row, Column, Angle, Score
  • 清除：clear_ncc_model
    • clear_ncc_model (ModelID)

（2）以模型轮廓的形状描述模型

参考：基于形状的模板匹配（Shape-Based）

包括形状、组件、局部可形变，下图概括了所有的方法；在这里插入图片描述
shape原理：提取ROI中的边缘特征，结合灰度信息创建模板，并根据模板的大小和清晰度的要求生成多层级的图像金字塔模型；接着在图像金字塔层中自上而下逐层搜索模板图像，直到搜索到最底层，或得到确定的匹配结果为止。

适用场景：（1）边缘能和背景很好地区分开，或者是物体内部不同对象能很好区分开；（2）彩色图像做模板更有利于避免重叠的对象被匹配到；下图是一些可以用作模板的例子。

模型来源：（1）直接从原图中截取一部分图像作为模板；（2）从图像中提取边缘拟合对应的形状（圆、椭圆、线、带方向的矩形），或者用具体参数直接生成对应的形状。两者在创建模板时的算子有点不同，后者需要带_xld后缀。

  • 创建：create_shape_model

    • create_shape_model (Image, NumLevels, AngleStart, AngleExtent, AngleStep, Optimazition, Metric, Contrast, MinContrast, ModelID)
      [Out]：ModelID

      Contrast：测量对象和背景之间以及对象的不同部分之间的局部灰度值差异，用来得到重要特征；
      NumLevels，Optimazition：加速搜索，建议值‘auto’；
      MinContrast，Metric：确定要和模型进行比较的像素；

      创建合适的模型，可以调整以下几个参数：
      （1）Contrast：确定哪些像素被归纳为模型的一部分；
      （2）NumLevels：利用下采样加速搜索；
      （3）Optimization：减少模型点的数量，加速搜索；
      （4）AngleStart、AngleExtent、AngleStep：指定旋转范围；
      （5）ScaleMin、ScaleMax、ScaleStep：指定缩放范围，用于缩放匹配中；
      （6）MinContrast、Metric：确定哪些像素和模型比较；

      用inspect_shape_model观察NumLevels对模型像素点数量的影响
      inspect_shape_model (ImageROI, ModelImages, ModelRegions, NumLevels, 30)

      • NumLevels = 1：

        在这里插入图片描述

      • NumLevels = 2：

        在这里插入图片描述

      • NumLevels = 3：

        在这里插入图片描述

      • NumLevels = 4：

        在这里插入图片描述

      • NumLevels = 5：

      在这里插入图片描述

      随着NumLevels的增大，模型的像素点越来越少。假设目前取NumLevels = 8，计算每一层金字塔模型的面积，找到最后一个面积大于等于15的金字塔层级，即为最高的金字塔级数。【原文：建议选择至少包含10-15个像素的模型为最高金字塔级，并且模型的形状仍然与物体的形状相似。】

      在这里插入图片描述

      用inspect_shape_model观察Contrast对模型质量的影响
      inspect_shape_model (ImageROI, ModelImages, ModelRegions, 8, Contrast)

      • Contrast = 10：

        在这里插入图片描述

      • Contrast = 20：

        在这里插入图片描述

      • Contrast = 30：

        在这里插入图片描述

      • Contrast = 40：

        在这里插入图片描述

      • Contrast = 50：

        在这里插入图片描述

      当Contrast取值为40、50时，有表示特征的像素点丢失；取值为10、20时，有许多干扰点；取30的效果比较好。建议先观察对比度的值，找到合适的对比度之后，再观察NumLevels的值。

    • 查找：find_shape_model(s)

      • find_shape_model (Image, ModelID, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels, Greediness, Row, Column, Angle, Score)
        [Out]：Row，Column，Angle，Score

      • find_shape_models (Image, ModelIDs, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels, Greediness, Row, Column, Angle, Score, Model)
        [Out]：Row，Column，Angle，Score，Model

        NumLevels：(1)单独赋值为0，表示使用建模时的值；(2)添加第二个值，这样不仅能在最高层搜索，也能在最低层搜索，如果想在图像质量差（比如很模糊）的图像上搜索，可以选择该方式，即“增加容忍模式”（increased tolerance mode，必须用负数指定最低层）；

        【如果搜索是在比第一个金字塔层还要高的金字塔层完成的，这对应于原始的全尺寸图像，搜索就会变得更快。另一方面，搜索的鲁棒性和准确性也比较低。】

        NumLevels = [4,2]：表示匹配从第4层开始，并追踪匹配到第2层（最低层用值1表示），此机制可用于减少匹配的运行时间;

        NumLevels = [4,-2]：表示匹配从第4层开始，并追踪匹配到第2层。这意味着在第2级金字塔上搜索形状模型的实例。例程：matching_defouced_pcb。【如果最后一个金字塔级别被指定为负数，则 find_shape_model 将返回找到匹配项的最低金字塔级别的匹配项。 也就是说一定会在最低层找到一个实例。】
        （原文：If no instance of the model can be found on this pyramid level, the lowest pyramid level is determined on which at least one instance of the model can be found. 不太理解这句话）

        • Greediness：(1)值为0，启用安全搜索，相对耗时；(2)值为1，不安全搜索，罕见情况下也能找到模型，搜索速度最快；(3)值为0.9，大多数情况下能找到模型（应用到项目中一般都是设置这个值）；

    • 清除：clear_shape_model，如果有多个模板，需要多次调用

    说明：
    （1）假设想用同一个模型来检测不同任务（每个任务所需的角度不同），那么可以在创建模型时给出一个大的旋转值，在查找模型时给出小的旋转值；
    （2）如果金字塔过大，模板不容易识别出来，这是需要将find_shape_model函数中MinScore和Greediness参数设置的低一些。

    匹配速度的优化步骤：
    Step1：确认是否所有对象实例都被找到，如果没有，判断原因（总结了8个）；

    1. 该对象是否在图像边界处被裁剪？

    2. 搜索算法是否“太贪婪了”？（目标清晰，但Grediness值太大可能会找不到，将值设为0，进行强制且彻底的搜索。）

    3. 物体是否被部分遮挡？（MinScore值设小一点。）

    4. 在最高的金字塔级别上，匹配失败了吗？

    5. 这个物体的对比度很低吗？（MinContrast的值设小一点。）

    6. 对比度的极性是全局反转的还是局部反转的？（在创建模板时选择合适的Metric值。如果只有一小部分对象受到影响，那么最好是减小MinScore的值。）

    7. 该对象是否与该对象的另一个实例重叠？（增大 MaxOverlap的值。）

    8. 是否在同一个对象上找到了多个匹配项？（如果对象几乎是对称的，那么严格限制其旋转范围，或增大 MaxOverlap的值。）
      对称图形的旋转范围参考值如下图所示：

      在这里插入图片描述

    Step2：调整和速度相关的具体参数。（调大MinScore，匹配成功就行；调大Grediness，直到匹配失败，此时减小MinScore的值，如果没有作用，就还是恢复原来的值吧；缩小旋转范围和缩放范围；缩小搜索Roi；确保该模型由许多轮廓点组成，并且这些轮廓具有明显的支撑结构，可以从图像中的其他结构中明显地区分出来。）
    调整以下参数会很“冒险”，选的值不合适就会导致匹配失败：MinContrast、Optimization、AngleStep，以及NumLevels；

    • 其它形式的shape匹配查找函数：相同缩放比例和不同缩放比例

      find_scaled_shape_model (ImageSearch, ModelID, rad(-45), rad(90), 0.8, 1.0, 0.5, 0, 0.5, ‘least_squares’, 5, 0.8, Row, Column, Angle, Scale, Score)
      [Out]：Row, Column, Angle, Scale, Score

      输入参数说明：

      AngleStart：rad(-45)，AngleExtent：rad(90)；

      ScaleMin：0.8,，ScaleMax：1.0；

      MinScore：0.5，NumMatches：0，MaxOverlap：0.5；

      SubPixel：‘least_squares’，NumLevels：5，Grediness：0.8

      find_aniso_shape_model (Image, ModelID, -rad(10), rad(20), 0.9, 1.7, 0.9, 1.1, 0.7, 0, 0.5, ‘least_squares’, 0, 0.8, Row, Column, Angle, ScaleR, ScaleC, Score)
      [Out]：Row, Column, Angle, ScaleR, ScaleC, Score

      输入参数值说明：

      AngleStart：-rad(10)，AngleExtent：rad(20)；

      ScaleRMin：0.9， ScaleRMax：1.7；

      ScaleCMin：0.9， ScaleCMax：1.1；

      MinScore：0.7，NumMatches：0，MaxOverlap：0.5；SubPixel：‘least_squares’，NumLevels：0，Grediness：0.8

    • 匹配结果的轮廓可视化（字体为可视化的结果）

      （1）标准形式下的可视化：

      get_shape_model_contours (ShapeModel, ModelID, 1)
      vector_angle_to_rigid (0, 0, 0, Row, Column, Angle, HomMat2D)
      affine_trans_contour_xld (ShapeModel, ModelAtNewPosition, HomMat2D)

      （2）相同缩放比例的可视化：

      get_shape_model_contours (Model, ModelID, 1)
      hom_mat2d_identity (HomMat2DIdentity)
      hom_mat2d_translate (HomMat2DIdentity, Row, Column, HomMat2DTranslate)
      hom_mat2d_rotate (HomMat2DTranslate, Angle, Row, Column, HomMat2DRotate)
      hom_mat2d_scale (HomMat2DRotate, Scale, Scale, Row, Column, HomMat2DScale)
      affine_trans_contour_xld (Model, ModelTrans, HomMat2DScale)

      （3）不同缩放比例的可视化：

      get_shape_model_contours (ModelContours, ModelID, 1)
      hom_mat2d_identity (HomMat2D)
      hom_mat2d_scale (HomMat2D, ScaleR, ScaleC, 0, 0, HomMat2D)
      hom_mat2d_rotate (HomMat2D, Angle, 0, 0, HomMat2D)
      hom_mat2d_translate (HomMat2D, Row, Column, HomMat2D)
      affine_trans_contour_xld (ModelContours, ContoursTrans, HomMat2D)

      Q：可视化过程中，计算仿射变换时，先平移后拉伸，和先拉伸后平移，二者计算结果有差异吗？
      A：没有，但是要注意传入的参数，主要是Row和Column。下面给出说明。先用hom_mat2d_identity生成一个矩阵HomMat2D。
      hom_mat2d_identity(HomMat2D)

      （1）先平移后拉伸

      hom_mat2d_translate (HomMat2D, Row, Column, HomMat2D)

      hom_mat2d_rotate (HomMat2D, Angle, Row, Column, HomMat2D)

      hom_mat2d_scale (HomMat2D, ScaleR, ScaleC, Row, Column, HomMat2D)

      （2）先拉伸后平移

      hom_mat2d_scale (HomMat2D, ScaleR, ScaleC, 0, 0, HomMat2D)

      hom_mat2d_rotate (HomMat2D, Angle, 0, 0, HomMat2D)

      hom_mat2d_translate (HomMat2D, Row, Column, HomMat2D)

    • （2）component

      • 创建：create_component_model 或 train_model_components+create_train_component_model，前者从已知的位置和角度变化获取部件之间的关系；后者从训练图像中获得关系，如果不需要训练组件，可以使用clear_training_components销毁；
      • 查找：find_component_model
      • 清除：clear_component_model

    • （3）local deformable

      即使轮廓有轻微的形变，也能匹配到，下图左是标准图，下图右说明了有形变也能匹配到；在这里插入图片描述

      • 创建：create_local_deformable_model

        create_local_deformable_model (Template, NumLevels, AngleStart, AngleExtent, AngleStep, ScaleRMin, ScaleRMax, ScaleRStep, ScaleCMin, ScaleCMax, ScaleCStep, Optimization, Metric, Contrast, MinContrast, ParamName, ParamValue, ModelID)
        [Out]：ModelID

        使用说明：

        （1）ScaleRMin, ScaleRMax, ScaleRStep：行方向上的缩放值，建议值，没有标准shape方法那么严格，Angle*同理；

        （2）ScaleCMin, ScaleCMax, ScaleCStep：列方向上的缩放值，建议值，没有标准shape方法那么严格；

        （3）ParamName：通用参数，默认值取 []，其它值包括’min_size’和 'part_size’，通常情况下用默认值就可以；

        （4）ParamValue：通用参数，默认值取 ‘[]‘，通常情况下用默认值就可以；

        当ParamName=‘part_size’时，ParamValue可取值为’big’，‘medium’， 或者’small’；

        当ParamName='min_size’时，ParamValue给出一个具体的数值就可以；在这里插入图片描述

      • 查找：find_local_deformable_model

        find_local_deformable_model (Image, ImageRectified, VectorField, DeformedContours, ModelID, AngleStart, AngleExtent, ScaleRMin, ScaleRMax, ScaleCMin, ScaleCMax, MinScore, NumMatches, MaxOverlap, NumLevels, Greediness, ResultType, ParamName, ParamValue, Score, Row, Column)
        [Out]：ImageRectified, VectorField, DeformedContours, Score, Row, Column

        输出说明：

        （1）ImageRectified：已找到模型的校正图像；

        （2）VectorField：矢量变换矩阵；【原文：Vector field of the rectification transformation.】

        （3）DeformedContours：已找到的模型示例的轮廓；

        上述三项参数输出由输入参数ResultType决定，ResultType取值为[‘image_rectified’,‘vector_field’,‘deformed_contours’]，分别对应上述三项；在这里插入图片描述

      • 清除：clear_local_deformable_model

（3）以一组重要的图像点描述模型

主要是基于描述符的匹配，下图概括了此类方法；在这里插入图片描述

  • 创建：create_(un)calib_descriptor_model
  • 查找：find_(un)calib_descriptor_model
  • 清除：clear_descriptor_model
m_Molly
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【从零开始学习SLAM】2D-2D 两张图像匹配的特征点求解位置姿态
小秋 AI SLAM 入门实战教程
04-24 2124
文章目录算法解析源码解读 算法解析 对极几何约束：当相机为单目时，我们只知道2D的像素坐标，因而问题是根据两组2D点估计运动。 单个图像中的像素，只能提供物体与相机成像平面的角度以及物体采集到的亮度，而无法提供物体的距离（Range）。 使用单目相机，利用移动相机之后进行三角化，测量像素的距离。 基础矩阵（Fundamental Matrix） F 和本质矩阵（Essential Matrix） E， 当相机为单目时，我们只知道2D像素坐标，因而问题是根据两组2D点估计运动RT，该问题用对极几何解决。
speak（c#语音系统）
08-24
它提供了一个丰富的图形层，支持2D和3D渲染、数据绑定、样式和模板等特性。在这个语音系统中，WPF可能被用来创建UI元素如按钮、文本框和标签，以及响应用户的操作，例如点击按钮触发语音合成。 在语音合成技术方面...
Halcon学习---01仿射变换知识点
一位正在苦苦追求毕业的研究僧
09-28 6445
重点是仿射变换的旋转、平移、缩放，以及通过点对点的转换
使用边界骨架功能进行2D形状匹配
02-26
使用边界骨架功能进行2D形状匹配
halcon 2D模板匹配 3D
最新发布
weixin_39354845的博客
05-11 391
模板匹配
机器视觉（一）2D形状匹配
14号先生的博客
11-08 4241
在2D的机器视觉应用中，模板匹配比较常见， 常见的匹配算法有基于灰度的匹配，基于边缘的匹配，基于形状的匹配等。推荐《机器视觉算法与应用》这本书，这本书是halcon开发人员撰写，对于模板匹配介绍的比较详细。下面介绍基于形状的模板匹配。 在pcl和opencv中都有关于linemod的实现。本算法是基于linemod的2D版本，主要从opencv的源码修改。 1 算法的基本流程如下： (1)...
OpenCV中的模板匹配/Filter2d
alppkk4545的博客
04-06 213
1、模板匹配 模板匹配是在图像中寻找目标的方法之一。Come On, Boy.我们一起来看看模板匹配到底是怎么回事。 参考链接：http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/histograms/template_matching/templa...
2D/3D模板匹配
weixin_42715287的博客
05-27 1203
2D 对象
C#和halcon贴片机源程序 新.rar
01-16
Halcon是德国MVTec公司推出的全球知名机器视觉软件库，提供了全面的图像处理功能，包括形状匹配、模板匹配、1D/2D码识别等，适用于自动化领域的检测和定位任务。在贴片机应用中，Halcon通过其强大的图像处理能力，...
3D点云图构建实验
03-31
2. 图像预处理：对RGB和深度图像进行校准，消除相机内部和外部参数误差，确保颜色和深度信息的准确匹配。这一步涉及标定、畸变矫正和对齐等过程。 3. 点云生成：将RGB图像和深度图像配对，根据深度值为每个像素生成...
Unity3d 镜面材质
02-19
Unity3D是一款强大的跨平台游戏开发引擎，广泛用于创建2D和3D的互动内容，包括游戏、模拟器以及虚拟现实应用。在Unity3D中，材质（Materials）是赋予场景对象表面视觉特性的关键元素，它们定义了物体的颜色、反射、...
数据中心机房助力产业绿色低碳转型.docx
04-10
空间位置可视化该场景图扑软件采用球体模型加以匹配地理环球贴图，来实现地球的立体全景展示，使用鼠标或触屏操作模式就能对立体地球进行 360° 自由旋转、移动或缩放。通过接入各数据中心的经纬度信息，自动生成...
python中2d_python中的2d字典
weixin_29268385的博客
02-03 867
简短回答这一行写的是你的旧数据：animal_dict.set_default(key, {})[breed] = list[i][2:]在这里使用append而不是赋值。您需要首先创建一个空列表以附加到。在长答案创建一个索引然后用它来遍历列表并不是很像python，只要直接遍历列表的元素就行了！让我们调用列表animals和输出dict animal_dict：^{pr2}$这不是最巧妙的方法，...
1_4 3D点与2D匹配计算相机pose
fireflychh的博客
05-30 695
对于BA方法实际上是通过优化最小误差进行实现，而优化方法可以有多种方式，包括采用高斯-牛顿法、g2o、ceres等工具库，这里介绍高斯-牛顿法和g2o两种方法；直接法可以利用opencv中已有的函数solvePnP(pts_3d, pts_2d, K, Mat(), r, t, false)进行求解；对于已知3D点和2D点的匹配关系，进而计算相机位姿的方法有两大类，一类是直接求解法，包括DLS、PNP等；一类是基于BA的优化方法；为了简化计算，这里将。
轮廓的查找、表达、绘制、特性及匹配(How to Use Contour? Find, Component, Construct, Features & Match)
10-10 1343
转载：https://my.oschina.net/u/1049180/blog/358189前言 轮廓是构成任何一个形状的边界或外形线。前面讲了如何根据色彩及色彩的分布（直方图对比和模板匹配）来进行匹配，现在我们来看看如何利用物体的轮廓。包括以下内容：轮廓的查找、表达方式、组织方式、绘制、特性、匹配。查找轮廓 首先我们面对的问题是如何在图像中找到轮廓，OpenCv(EmguCv
affine_trans_contour_xld
小小的博客
09-01 91
【代码】affine_trans_contour_xld。
hom_mat2d_translate与vector_angle_to_rigid
yue1453544229的博客
05-29 6167
hom_mat2d_translate( : :HomMat2D,Tx,Ty:HomMat2DTranslate) 其中Tx，Ty为平移矢量，是在原点的平移矢量 因此在进行平移变换时，先将待平移物体平移到原点位，对平移到原点的region，之后再进行平移变换时，都是将转到原点的region进行之后的平移变换。 这种比较适合于find_shape_model()，获得的轮廓中心...
使用OpenCV实现模板匹配（基于linemod算法）
$firecat利白的代码足迹$
09-04 9621
转自|牙牙的无为生活 已知物体模型，从不同方向提取RGBD特征，处理生成模板与实际图像每个位置进行匹配，匹配成功得到目标的位姿信息。 2011Linemod经典鼻祖论文：Multimodaltemplates for real-time detection of texture-less objects in heavily clutteredscenes（Linemod） 2012改进Linemod：Gradient Response Maps for Real-Time Detec
2d-2d 匹配方法
08-16
2D-2D匹配方法是一种基于二维图像的匹配算法，主要用于在两个二维图像之间建立对应关系。这种方法对图像中的特征点进行提取和描述，然后通过比较特征点之间的距离或相似性度量来进行匹配。 2D-2D匹配方法的主要步骤包括特征点提取、特征描述和特征匹配。首先，在两幅图像中提取关键点，如角点、边缘点等。然后，对这些关键点进行描述，常用的方法有SIFT、SURF、ORB等。描述子用于表示关键点附近的局部特征，可以用来唯一标识关键点。 接下来，使用匹配算法对两幅图像中的特征点进行匹配。常见的匹配算法有最近邻搜索、最近邻搜索与剔除、RANSAC等。最近邻搜索算法根据特征描述子的距离，将一个图像中的每个特征点匹配到另一个图像中的最近邻特征点。最近邻搜索与剔除算法则同时考虑最近邻和次近邻特征点之间的距离，以减少错误匹配。RANSAC算法则通过随机采样和模型拟合的方式，选择出最优的匹配关系。 2D-2D匹配方法在计算机视觉领域有着广泛的应用，比如图像拼接、目标跟踪、三维重构等。通过建立图像之间的对应关系，可以实现图像的配准或对齐，为后续的处理提供基础。同时，2D-2D匹配方法也面临一些挑战，如光照变化、噪声干扰、特征点提取与匹配不准确等，这些问题需要进一步研究和改进。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值