OpenMVG（特征匹配、照片组重建点云、GPS位置信息、GMS）

已于 2024-02-14 18:56:10 修改
阅读量1.3k 收藏 11
点赞数 11
分类专栏： 三维重建 文章标签： 算法 图像处理
于 2024-02-14 11:10:04 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_59068750/article/details/136103028
版权

目录

1 图像的特征匹配

2 图像中提取GPS位置信息

2.1 写入GPS信息到图像中

2.2 读取带有GPS的图像

3 SIFT/AKAZE/AKAZE_MLDB特征提取对比

4 GMS Filter

5 将球形全景图转换为6个透视视图

6 照片组重建点云 

1 图像的特征匹配


#include "openMVG/features/feature.hpp" // 引入特征处理相关功能
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp" // 引入SIFT特征描述器
#include "openMVG/features/svg_features.hpp" // 引入SVG特征可视化功能
#include "openMVG/image/image_io.hpp" // 引入图像输入输出功能
#include "openMVG/image/image_concat.hpp" // 引入图像拼接功能
#include "openMVG/matching/regions_matcher.hpp" // 引入区域匹配功能
#include "openMVG/matching/svg_matches.hpp" // 引入匹配结果的SVG可视化功能
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 引入文件系统处理功能

#include <cstdlib>
#include <string>
#include <iostream>

using namespace openMVG; // 使用openMVG命名空间简化代码
using namespace openMVG::image; // 使用image子命名空间
using namespace openMVG::matching; // 使用matching子命名空间

int main() {

    Image<RGBColor> image; // 定义RGB颜色空间的图像变量
    // 定义两个图像文件的路径，使用stlplus库函数获取相对路径
    std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
        + "/imageData/StanfordMobileVisualSearch/Ace_0.png";
    std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
        + "/imageData/StanfordMobileVisualSearch/Ace_1.png";

    Image<unsigned char> imageL, imageR; // 定义两个灰度图像变量
    ReadImage(jpg_filenameL.c_str(), &imageL); // 读取左图像
    ReadImage(jpg_filenameR.c_str(), &imageR); // 读取右图像

    // 检测图像中的特征区域
    using namespace openMVG::features; // 使用features子命名空间
    std::unique_ptr<Image_describer> image_describer(new SIFT_Anatomy_Image_describer); // 创建SIFT特征描述器
    std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage; // 创建一个存储每幅图像特征区域的容器
    image_describer->Describe(imageL, regions_perImage[0]); // 描述左图像的特征区域
    image_describer->Describe(imageR, regions_perImage[1]); // 描述右图像的特征区域

    // 获取特征区域的位置
    const PointFeatures
        featsL = regions_perImage.at(0)->GetRegionsPositions(), // 左图像的特征位置
        featsR = regions_perImage.at(1)->GetRegionsPositions(); // 右图像的特征位置

      // 将两幅图像并排显示
    {
        Image<unsigned char> concat; // 定义一个图像变量用于存放拼接后的图像
        ConcatV(imageL, imageR, concat); // 纵向拼接两幅图像
        std::string out_filename = "00_images.jpg"; // 定义输出文件名
        WriteImage(out_filename.c_str(), concat); // 写出拼接后的图像
    }

    // 将检测到的特征转换为SIFT特征类型
    const SIFT_Regions* regionsL = dynamic_cast<SIFT_Regions*>(regions_perImage.at(0).get());
    const SIFT_Regions* regionsR = dynamic_cast<SIFT_Regions*>(regions_perImage.at(1).get());

    // 在两幅图像上绘制特征点
    {
        Features2SVG
        (
            jpg_filenameL,
            { imageL.Width(), imageL.Height() }, // 左图像的尺寸
            regionsL->Features(), // 左图像的特征
            jpg_filenameR,
            { imageR.Width(), imageR.Height() }, // 右图像的尺寸
            regionsR->Features(), // 右图像的特征
            "01_features.svg" // 输出SVG文件名
        );
    }

    // 执行匹配操作，找到最近邻点，并通过距离比率过滤
    std::vector<IndMatch> vec_PutativeMatches; // 定义存储匹配对的容器
    {
        // 找到对应点
        matching::DistanceRatioMatch(
            0.8, matching::BRUTE_FORCE_L2, // 使用L2范数和0.8的距离比率阈值
            *regions_perImage.at(0).get(),
            *regions_perImage.at(1).get(),
            vec_PutativeMatches); // 存储匹配结果

          // 绘制经过最近邻比率过滤后的对应关系
        const bool bVertical = true; // 设置SVG图像为垂直布局
        Matches2SVG
        (
            jpg_filenameL,
            { imageL.Width(), imageL.Height() }, // 左图像尺寸
            regionsL->GetRegionsPositions(), // 左图像特征位置
            jpg_filenameR,
            { imageR.Width(), imageR.Height() }, // 右图像尺寸
            regionsR->GetRegionsPositions(), // 右图像特征位置
            vec_PutativeMatches, // 匹配对
            "02_Matches.svg", // 输出SVG文件名
            bVertical // 使用垂直布局
        );
    }

    // 显示一些统计信息
    std::cout << featsL.size() << " Features on image A" << std::endl
        << featsR.size() << " Features on image B" << std::endl
        << vec_PutativeMatches.size() << " matches after matching with Distance Ratio filter" << std::endl;

    return EXIT_SUCCESS; // 程序成功执行完毕
}

2 图像中提取GPS位置信息

2.1 写入GPS信息到图像中

准备带有GPS的照片

ExifTool by Phil Harvey

当前目录下执行CMD，查看dog图片的信息

"exiftool(-k).exe" D:\CPlusProject\MVS_program\ALLTestData\GPSImage\dog.jpg

添加GPS信息到该图片中（经纬度和高程） 

"exiftool(-k).exe" -GPSLatitude=34.052234 -GPSLatitudeRef=N -GPSLongitude=-118.243685 -GPSLongitudeRef=W -GPSAltitude=10 -GPSAltitudeRef=0 D:\CPlusProject\MVS_program\ALLTestData\GPSImage\dog.jpg

检查是否有GPS的信息 

 

2.2 读取带有GPS的图像

读取带有GPS的图像，然后将GPS信息转换为ECEF，随后保存下来。


#include "openMVG/exif/exif_IO_EasyExif.hpp" // 引入处理EXIF信息的头文件
#include "openMVG/geodesy/geodesy.hpp" // 引入地理学相关的头文件

#include "software/SfM/SfMPlyHelper.hpp" // 引入辅助导出PLY文件的头文件

#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 引入处理文件系统的头文件
#include "third_party/cmdLine/cmdLine.h" // 引入命令行处理的头文件

#include <iostream>
#include <memory>
#include <string>

using namespace openMVG; // 使用openMVG命名空间
using namespace openMVG::exif; // 使用exif子命名空间
using namespace openMVG::geodesy; // 使用geodesy子命名空间

int main(int argc, char** argv)
{
    std::string
        sInputDirectory = "", // 定义输入目录的字符串
        sOutputPLYFile = "GPS_POSITION.ply"; // 定义输出PLY文件的名称

    CmdLine cmd; // 创建命令行对象
    // 添加输入目录和输出文件的命令行选项
    cmd.add(make_option('i', sInputDirectory, "input-directory"));
    cmd.add(make_option('o', sOutputPLYFile, "output-file"));

    try
    {
        if (argc == 1) throw std::string("Invalid parameter."); // 如果没有提供参数，抛出异常
        cmd.process(argc, argv); // 处理命令行参数
    }
    catch (const std::string& s) // 捕获异常
    {
        // 如果捕获到异常，显示帮助信息并退出
        std::cout
            << "Geodesy demo:\n"
            << " Export as PLY points the parsed image EXIF GPS positions,\n"
            << " -[i|input-directory] Directory that will be parsed.\n"
            << "-- OPTIONAL PARAMETERS --\n"
            << " -[o|output-file] Output PLY file.\n"
            << std::endl;

        std::cerr << s << std::endl;
        return EXIT_FAILURE;
    }

    // 初始化EXIF读取器
    std::unique_ptr<Exif_IO> exifReader(new Exif_IO_EasyExif);
    if (!exifReader)
    {
        std::cerr << "Cannot instantiate the EXIF metadata reader." << std::endl;
        return EXIT_FAILURE;
    }

    std::vector<Vec3> vec_gps_xyz_position; // 定义一个存储XYZ坐标的向量

    size_t valid_exif_count = 0; // 有效的EXIF数据计数

    // 获取输入目录下的所有文件
    const std::vector<std::string> vec_image = stlplus::folder_files(sInputDirectory);
    for (const std::string& it_string : vec_image)
    {
        const std::string sImageFilename = stlplus::create_filespec(sInputDirectory, it_string);

        // 尝试解析EXIF元数据
        exifReader->open(sImageFilename);

        // 检查是否存在EXIF数据
        if (!exifReader->doesHaveExifInfo())
            continue; // 如果没有EXIF信息，则跳过此图像

        ++valid_exif_count; // 有效EXIF计数加一
        // 检查是否存在GPS坐标
        double latitude, longitude, altitude; // 定义纬度、经度和高度变量
        if (exifReader->GPSLatitude(&latitude) &&
            exifReader->GPSLongitude(&longitude) &&
            exifReader->GPSAltitude(&altitude))
        {
            // 将GPS坐标转换为ECEF XYZ坐标，并添加到向量中
            vec_gps_xyz_position.push_back(lla_to_ecef(latitude, longitude, altitude));
        }
    }

    // 输出报告
    std::cout << std::endl
        << "Report:\n"
        << " #file listed: " << vec_image.size() << "\n"
        << " #valid exif data: " << valid_exif_count << "\n"
        << " #valid exif gps data: " << vec_gps_xyz_position.size() << std::endl;

    // 如果没有有效的GPS数据，退出程序
    if (vec_gps_xyz_position.empty())
    {
        std::cerr << "No valid GPS data found for the image list" << std::endl;
        return EXIT_FAILURE;
    }

    // 导出XYZ坐标到PLY文件
    if (plyHelper::exportToPly(vec_gps_xyz_position, sOutputPLYFile))
    {
        std::cout << sOutputPLYFile << " -> successfully exported on disk." << std::endl;
        return EXIT_SUCCESS; // 成功导出
    }
    return EXIT_FAILURE; // 导出失败
}

3 SIFT/AKAZE/AKAZE_MLDB特征提取对比

三者的区别网上多的是，但是还是因地制宜，多试试。代码在之前博客中已经详细介绍了。

1. SIFT (Scale-Invariant Feature Transform)

  • 主要特点：SIFT 是一种用于检测和描述图像中的局部特征的算法。它对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也具有一定的稳定性。
  • 应用：广泛用于图像匹配、物体识别、3D重建、追踪等。
  • 优点：鲁棒性强，特征描述符独特且信息丰富。
  • 缺点：计算量大，速度较慢，对于实时应用可能不太合适。

2. AKAZE (Accelerated-KAZE)

  • 主要特点：AKAZE 是 KAZE 的加速版本，使用快速显著性检测和非线性尺度空间技术。它提供了一种计算效率更高的特征检测和描述符提取方法。
  • 应用：适用于需要快速特征提取的场景，如实时视频处理、移动应用中的图像识别等。
  • 优点：比 KAZE 更快，保留了对尺度和旋转的不变性。
  • 缺点：虽然比 SIFT 快，但在特征描述符的区分度和鲁棒性方面可能略逊一筹。

3. AKAZE_MLDB (Modified Local Difference Binary)

  • 主要特点：AKAZE_MLDB 是 AKAZE 的变体，使用二进制字符串作为特征描述符，以进一步提高计算效率和匹配速度。
  • 应用：特别适用于对速度要求很高且对匹配准确性要求较高的应用。
  • 优点：速度快，内存需求低，适合在资源受限的设备上运行。
  • 缺点：虽然速度快，但相较于 SIFT，其特征描述符的鉴别力可能较低。

总结

  • 速度和效率：AKAZE > AKAZE_MLDB > SIFT。
  • 特征鉴别力和鲁棒性：SIFT > AKAZE > AKAZE_MLDB。
  • 适用场景：SIFT 更适合对特征描述的鲁棒性和准确性要求较高的复杂应用；AKAZE 和 AKAZE_MLDB 更适合对计算速度和效率要求较高的应用。
// This file is part of OpenMVG, an Open Multiple View Geometry C++ library.

// Copyright (c) 2015 Pierre MOULON.

// This Source Code Form is subject to the terms of the Mozilla Public
// License, v. 2.0. If a copy of the MPL was not distributed with this
// file, You can obtain one at http://mozilla.org/MPL/2.0/.

#include "openMVG/image/image_io.hpp"
#include "openMVG/image/image_concat.hpp"
#include "openMVG/features/akaze/image_describer_akaze.hpp"
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp"
#include "openMVG/features/svg_features.hpp"
#include "openMVG/matching/regions_matcher.hpp"
#include "openMVG/matching/svg_matches.hpp"

#include "third_party/stlplus3/filesystemSimplified/file_system.hpp"
#include "third_party/cmdLine/cmdLine.h"
#include <memory>
#include <string>

using namespace openMVG;
using namespace openMVG::image;

int main(int argc, char **argv) {

  // Add options to choose the desired Image_describer
  std::string sImage_describer_type = "SIFT";

  CmdLine cmd;
  cmd.add( make_option('t', sImage_describer_type, "type") );

  try {
      if (argc == 1) throw std::string("Invalid command line parameter.");
      cmd.process(argc, argv);
  } catch (const std::string& s) {
      std::cerr << "Usage: " << argv[0] << '\n'
      << "\n[Optional]\n"
      << "[-t|--type\n"
      << "  (choose an image_describer interface):\n"
      << "   SIFT: SIFT keypoint & descriptor,\n"
      << "   AKAZE: AKAZE keypoint & floating point descriptor]"
      << std::endl;

      std::cerr << s << std::endl;
      return EXIT_FAILURE;
  }

  const std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
    + "/imageData/StanfordMobileVisualSearch/Ace_0.png";
  const std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
    + "/imageData/StanfordMobileVisualSearch/Ace_1.png";

  Image<unsigned char> imageL, imageR;
  ReadImage(jpg_filenameL.c_str(), &imageL);
  ReadImage(jpg_filenameR.c_str(), &imageR);
  assert(imageL.data() && imageR.data());

  // Call Keypoint extractor
  using namespace openMVG::features;
  std::unique_ptr<Image_describer> image_describer;
  if (sImage_describer_type == "SIFT")
    image_describer.reset(new SIFT_Anatomy_Image_describer(SIFT_Anatomy_Image_describer::Params()));
  else if (sImage_describer_type == "AKAZE")
    image_describer = AKAZE_Image_describer::create
      (AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MSURF));
  else if (sImage_describer_type == "AKAZE_MLDB")
    image_describer = AKAZE_Image_describer::create
      (AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MLDB));

  if (!image_describer)
  {
    std::cerr << "Invalid Image_describer type" << std::endl;
    return EXIT_FAILURE;
  }

  //--
  // Detect regions thanks to the image_describer
  //--
  std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage;
  image_describer->Describe(imageL, regions_perImage[0]);
  image_describer->Describe(imageR, regions_perImage[1]);

  //--
  // Display used images & Features
  //--

  {
    //- Show images side by side
    Image<unsigned char> concat;
    ConcatH(imageL, imageR, concat);
    const std::string out_filename = "00_images.jpg";
    WriteImage(out_filename.c_str(), concat);
  }

  {
    //- Draw features on the images (side by side)
    Features2SVG
    (
      jpg_filenameL,
      {imageL.Width(), imageL.Height()},
      regions_perImage.at(0)->GetRegionsPositions(),
      jpg_filenameR,
      {imageR.Width(), imageR.Height()},
      regions_perImage.at(1)->GetRegionsPositions(),
      "01_features.svg"
    );
  }

  //--
  // Compute corresponding points
  //--
  //-- Perform matching -> find Nearest neighbor, filtered with Distance ratio
  matching::IndMatches vec_PutativeMatches;
  matching::DistanceRatioMatch(
    0.8, matching::BRUTE_FORCE_L2,
    *regions_perImage.at(0).get(),
    *regions_perImage.at(1).get(),
    vec_PutativeMatches);

  // Draw correspondences after Nearest Neighbor ratio filter
  {
    const bool bVertical = true;
    Matches2SVG
    (
      jpg_filenameL,
      {imageL.Width(), imageL.Height()},
      regions_perImage.at(0)->GetRegionsPositions(),
      jpg_filenameR,
      {imageR.Width(), imageR.Height()},
      regions_perImage.at(1)->GetRegionsPositions(),
      vec_PutativeMatches,
      "02_Matches.svg",
      bVertical
    );
  }

  // Display some statistics
  std::cout
    << regions_perImage.at(0)->RegionCount() << " #Features on image A" << std::endl
    << regions_perImage.at(1)->RegionCount() << " #Features on image B" << std::endl
    << vec_PutativeMatches.size() << " #matches with Distance Ratio filter" << std::endl;

  return EXIT_SUCCESS;
}

SIFT

AKAZE

AKAZE_MLDB 

4 GMS Filter

  1. 将运动平滑约束转换为剔除错误匹配的统计量，实验证明该算法能够应对较为棘手的场景；
  2. 提出了一种高效的基于网格的得分估计器，使得该算法能够用于实时特征匹配；
  3. 能够取得比Lowe Ratio更好的特征匹配筛选效果，该结论已经在传统特征如SIFT，SURF以及CNN特征如LIFT上得到验证；

GMS：一种基于运动统计的快速鲁棒特征匹配过滤算法 - 知乎 (zhihu.com)

GMS滤波特征点前需要大量的特征点，有利于得到更好的筛选结果 

// This file is part of OpenMVG, an Open Multiple View Geometry C++ library.

// Copyright (c) 2017 Pierre MOULON.

// This Source Code Form is subject to the terms of the Mozilla Public
// License, v. 2.0. If a copy of the MPL was not distributed with this
// file, You can obtain one at http://mozilla.org/MPL/2.0/.

#include "openMVG/image/image_io.hpp"
#include "openMVG/image/image_concat.hpp"
#include "openMVG/features/akaze/image_describer_akaze.hpp"
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp"
#include "openMVG/features/svg_features.hpp"
#include "openMVG/matching/regions_matcher.hpp"
#include "openMVG/matching/svg_matches.hpp"
#include "openMVG/robust_estimation/gms_filter.hpp"

#include "third_party/cmdLine/cmdLine.h"
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp"

#include <memory>
#include <string>

using namespace openMVG;
using namespace openMVG::image;
using namespace openMVG::robust;

int main(int argc, char **argv) {

  // Add options to choose the desired Image_describer
  std::string sImage_describer_type = "SIFT";

  CmdLine cmd;
  cmd.add( make_option('t', sImage_describer_type, "type") );
  cmd.add( make_switch('d', "distance_ratio"));

  try {
      if (argc == 1) throw std::string("Invalid command line parameter.");
      cmd.process(argc, argv);
  } catch(const std::string& s) {
      std::cerr << "Usage: " << argv[0] << '\n'
      << "\n[Optional]\n"
      << "[-t|--type\n"
      << "  (choose an image_describer interface):\n"
      << "   SIFT: SIFT keypoint & descriptor,\n"
      << "   AKAZE: AKAZE keypoint & floating point descriptor]\n"
      << "   AKAZE_MLDB: AKAZE keypoint & binary descriptor]\n"
      << "[-d|distance_ratio] Use distance ratio filter before GMS, else 1-1 matching is used."
      << std::endl;

      std::cerr << s << std::endl;
      return EXIT_FAILURE;
  }

  const std::string jpg_filenameL = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
    + "/imageData/StanfordMobileVisualSearch/Ace_0.png";
  const std::string jpg_filenameR = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
    + "/imageData/StanfordMobileVisualSearch/Ace_1.png";

  Image<unsigned char> imageL, imageR;
  ReadImage(jpg_filenameL.c_str(), &imageL);
  ReadImage(jpg_filenameR.c_str(), &imageR);
  assert(imageL.data() && imageR.data());

  // Call Keypoint extractor
  using namespace openMVG::features;
  std::unique_ptr<Image_describer> image_describer;
  if (sImage_describer_type == "SIFT")
    image_describer.reset(new SIFT_Anatomy_Image_describer(SIFT_Anatomy_Image_describer::Params()));
  else if (sImage_describer_type == "AKAZE")
    image_describer = AKAZE_Image_describer::create
      (AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MSURF));
  else if (sImage_describer_type == "AKAZE_MLDB")
    image_describer = AKAZE_Image_describer::create
      (AKAZE_Image_describer::Params(AKAZE::Params(), AKAZE_MLDB));

  if (!image_describer)
  {
    std::cerr << "Invalid Image_describer type" << std::endl;
    return EXIT_FAILURE;
  }

  // GMS requires to have a lot of features
  image_describer->Set_configuration_preset(features::ULTRA_PRESET);

  //--
  // Detect regions thanks to the image_describer
  //--
  std::map<IndexT, std::unique_ptr<features::Regions> > regions_perImage;
  image_describer->Describe(imageL, regions_perImage[0]);
  image_describer->Describe(imageR, regions_perImage[1]);

  //--
  // Display used images & Features
  //--

  {
    //- Show images side by side
    Image<unsigned char> concat;
    ConcatH(imageL, imageR, concat);
    const std::string out_filename = "00_images.jpg";
    WriteImage(out_filename.c_str(), concat);
  }

  {
    //- Draw features on the images (side by side)
    Features2SVG
    (
      jpg_filenameL,
      {imageL.Width(), imageL.Height()},
      regions_perImage.at(0)->GetRegionsPositions(),
      jpg_filenameR,
      {imageR.Width(), imageR.Height()},
      regions_perImage.at(1)->GetRegionsPositions(),
      "01_features.svg"
    );
  }

  //--
  // Compute corresponding points
  //--
  //-- Perform matching -> find Nearest neighbor, filtered with Distance ratio
  matching::IndMatches vec_PutativeMatches;
  const bool distance_ratio_matching = cmd.used('d');
  if (distance_ratio_matching)
  {
    const float kDistanceRatio = 0.8f;
    matching::DistanceRatioMatch(
      kDistanceRatio,
      (sImage_describer_type == "AKAZE_MLDB") ? matching::BRUTE_FORCE_HAMMING
        : matching::BRUTE_FORCE_L2,
      *regions_perImage.at(0).get(),
      *regions_perImage.at(1).get(),
      vec_PutativeMatches);
  }
  else
  {
    matching::Match(
      (sImage_describer_type == "AKAZE_MLDB") ? matching::BRUTE_FORCE_HAMMING
        : matching::BRUTE_FORCE_L2,
      *regions_perImage.at(0).get(),
      *regions_perImage.at(1).get(),
      vec_PutativeMatches);
  }
  // Draw the putative photometric correspondences
  {
    const bool bVertical = true;
    Matches2SVG
    (
      jpg_filenameL,
      {imageL.Width(), imageL.Height()},
      regions_perImage.at(0)->GetRegionsPositions(),
      jpg_filenameR,
      {imageR.Width(), imageR.Height()},
      regions_perImage.at(1)->GetRegionsPositions(),
      vec_PutativeMatches,
      "02_Matches.svg",
      bVertical
    );
  }

  // Display some statistics
  std::cout << vec_PutativeMatches.size() << " #matches Found" << std::endl;

  // Apply the GMS filter
  {
    std::vector<Eigen::Vector2f> vec_points_left;
    {
      const auto & regions_pos = regions_perImage.at(0)->GetRegionsPositions();
      vec_points_left.reserve(regions_pos.size());
      for (const auto & it : regions_pos)
        vec_points_left.push_back({it.x(), it.y()});
    }
    std::vector<Eigen::Vector2f> vec_points_right;
    {
      const auto & regions_pos = regions_perImage.at(1)->GetRegionsPositions();
      vec_points_right.reserve(regions_pos.size());
      for (const auto & it : regions_pos)
        vec_points_right.push_back({it.x(), it.y()});
    }

    const int kGmsThreshold = 6;
    robust::GMSFilter gms(
      vec_points_left,  {imageL.Width(), imageL.Height()},
      vec_points_right, {imageR.Width(), imageR.Height()},
      vec_PutativeMatches,
      kGmsThreshold);
    const bool with_scale_invariance = true;
    const bool with_rotation_invariance = true;
    std::vector<bool> inlier_flags;
    const int nb_inliers = gms.GetInlierMask(inlier_flags,
                                             with_scale_invariance,
                                             with_rotation_invariance);

    std::cout
      << vec_points_left.size() << " #Features on image A" << std::endl
      << vec_points_right.size() << " #Features on image B" << std::endl
      << nb_inliers << " #matches kept by the GMS Filter" << std::endl;

    matching::IndMatches vec_gms_matches;
    for (int i = 0; i < static_cast<int>(inlier_flags.size()); ++i)
    {
      if (inlier_flags[i])
        vec_gms_matches.push_back(vec_PutativeMatches[i]);
    }
    // Draw the correspondences kept by the GMSFilter
    {
      const bool bVertical = true;
      Matches2SVG
      (
        jpg_filenameL,
        {imageL.Width(), imageL.Height()},
        regions_perImage.at(0)->GetRegionsPositions(),
        jpg_filenameR,
        {imageR.Width(), imageR.Height()},
        regions_perImage.at(1)->GetRegionsPositions(),
        vec_gms_matches,
        "03_GMSMatches.svg",
        bVertical
      );
    }
  }
  return EXIT_SUCCESS;
}

 

5 将球形全景图转换为6个透视视图

#include "openMVG/image/image_io.hpp" // 包含处理图像输入输出的头文件
#include "openMVG/spherical/cubic_image_sampler.hpp" // 包含球形到立方体采样转换的头文件

#include "third_party/cmdLine/cmdLine.h" // 包含命令行处理的第三方库头文件
#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 包含文件系统处理的第三方库头文件

#include <string> // 包含字符串处理的标准库头文件

// 将球形全景图转换为6个透视视图（立方体全景图）
int main(int argc, char** argv)
{
    CmdLine cmd; // 命令行处理对象

    std::string
        s_input_image, // 输入图片路径
        s_output_image; // 输出图片路径

      // 需要的参数
    cmd.add(make_option('i', s_input_image, "input_image")); // 添加输入图片路径的选项
    cmd.add(make_option('o', s_output_image, "output_image")); // 添加输出图片路径的选项

    try {
        if (argc == 1) throw std::string("Invalid command line parameter."); // 如果没有提供参数，抛出异常
        cmd.process(argc, argv); // 处理命令行参数
    }
    catch (const std::string& s) {
        std::cerr << "Usage: " << argv[0] << '\n'
            << "[-i|--input_image] the path to the spherical panorama\n"
            << "[-o|--output_image] the export directory path \n"
            << std::endl; // 捕获异常并打印使用方法
        return EXIT_FAILURE; // 程序异常退出
    }

    if (s_input_image.empty() || s_output_image.empty())
    {
        std::cerr << "input_image and output_image options must not be empty" << std::endl; // 确保输入输出路径不为空
        return EXIT_FAILURE;
    }

    using namespace openMVG; // 使用OpenMVG命名空间

    image::Image<image::RGBColor> spherical_image; // 创建一个用于存储球形全景图的图像对象
    if (!ReadImage(s_input_image.c_str(), &spherical_image)) // 读取输入的球形全景图
    {
        std::cerr << "Cannot read the input panoramic image: " << s_input_image << std::endl; // 如果读取失败，打印错误信息
        return EXIT_FAILURE;
    }

    const double cubic_image_size = spherical_image.Width() / 4; // 计算立方体图像的大小，这里简单地将球形图像的宽度除以4
    const openMVG::cameras::Pinhole_Intrinsic pinhole_camera =
        spherical::ComputeCubicCameraIntrinsics(cubic_image_size); // 计算立方体相机内参

    std::vector<image::Image<image::RGBColor>> cube_images(6); // 创建一个向量，用于存储转换后的六个立方体面图像
    spherical::SphericalToCubic
    (
        spherical_image,
        pinhole_camera,
        cube_images,
        image::Sampler2d<image::SamplerNearest>() // 使用最近邻采样
    ); // 将球形图像转换为立方体图像

    if (WriteImage("cube_0.png", cube_images[0]) &&
        WriteImage("cube_1.png", cube_images[1]) &&
        WriteImage("cube_2.png", cube_images[2]) &&
        WriteImage("cube_3.png", cube_images[3]) &&
        WriteImage("cube_4.png", cube_images[4]) &&
        WriteImage("cube_5.png", cube_images[5])) // 将六个面的图像写入文件
        return EXIT_SUCCESS; // 成功退出

    return EXIT_FAILURE; // 如果写入失败，程序异常退出
}

6 照片组重建点云 

 图像处理中，outlier和inlier分别指什么？_inliers-CSDN博客

 

 两张图片重建点云

相机内参 

#include "openMVG/cameras/Camera_Pinhole.hpp" // 包含针孔相机模型头文件
#include "openMVG/features/feature.hpp" // 包含特征点检测相关头文件
#include "openMVG/features/sift/SIFT_Anatomy_Image_Describer.hpp" // 包含SIFT特征描述器相关头文件
#include "openMVG/features/svg_features.hpp" // 包含SVG特征导出相关头文件
#include "openMVG/geometry/pose3.hpp" // 包含3D姿态相关头文件
#include "openMVG/image/image_io.hpp" // 包含图像输入输出相关头文件
#include "openMVG/image/image_concat.hpp" // 包含图像拼接相关头文件
#include "openMVG/matching/indMatchDecoratorXY.hpp" // 包含匹配点装饰器相关头文件
#include "openMVG/matching/regions_matcher.hpp" // 包含区域匹配器相关头文件
#include "openMVG/matching/svg_matches.hpp" // 包含SVG匹配导出相关头文件
#include "openMVG/multiview/triangulation.hpp" // 包含多视图三角化相关头文件
#include "openMVG/numeric/eigen_alias_definition.hpp" // 包含Eigen库别名定义头文件
#include "openMVG/sfm/pipelines/sfm_robust_model_estimation.hpp" // 包含鲁棒模型估计相关头文件

#include "third_party/stlplus3/filesystemSimplified/file_system.hpp" // 包含简化的文件系统操作相关头文件

#include <iostream> // 包含标准输入输出流头文件
#include <string> // 包含字符串处理头文件
#include <utility> // 包含实用工具头文件，例如pair

using namespace openMVG; // 使用OpenMVG命名空间
using namespace openMVG::matching; // 使用OpenMVG匹配命名空间
using namespace openMVG::image; // 使用OpenMVG图像命名空间
using namespace openMVG::cameras; // 使用OpenMVG相机命名空间
using namespace openMVG::geometry; // 使用OpenMVG几何命名空间

/// 从文件中读取内参矩阵K（ASCII格式）
bool readIntrinsic(const std::string& fileName, Mat3& K);

/// 将3D点向量和相机位置导出到PLY格式
bool exportToPly(const std::vector<Vec3>& vec_points,
    const std::vector<Vec3>& vec_camPos,
    const std::string& sFileName);

int main() {
    // 定义输入目录路径
    const std::string sInputDir = stlplus::folder_up(std::string(THIS_SOURCE_DIR))
        + "/imageData/SceauxCastle/";
    // 定义两张图片的文件名
    const std::string jpg_filenameL = sInputDir + "100_7101.jpg";
    const std::string jpg_filenameR = sInputDir + "100_7102.jpg";

    // 创建两个图像对象
    Image<unsigned char> imageL, imageR;
    // 读取两张图片
    ReadImage(jpg_filenameL.c_str(), &imageL);
    ReadImage(jpg_filenameR.c_str(), &imageR);

    //--
    // 利用图像描述器检测区域
    //--
    using namespace openMVG::features; // 使用OpenMVG特征命名空间
    std::unique_ptr<Image_describer> image_describer(new SIFT_Anatomy_Image_describer); // 创建SIFT图像描述器
    std::map<IndexT, std::unique_ptr<features::Regions>> regions_perImage; // 创建存储每张图像区域的映射
    image_describer->Describe(imageL, regions_perImage[0]); // 描述第一张图像
    image_describer->Describe(imageR, regions_perImage[1]); // 描述第二张图像

    // 将区域转换为SIFT区域
    const SIFT_Regions* regionsL = dynamic_cast<SIFT_Regions*>(regions_perImage.at(0).get());
    const SIFT_Regions* regionsR = dynamic_cast<SIFT_Regions*>(regions_perImage.at(1).get());

    // 获取特征点位置
    const PointFeatures
        featsL = regions_perImage.at(0)->GetRegionsPositions(),
        featsR = regions_perImage.at(1)->GetRegionsPositions();

    // 将两张图像并排显示
    {
        Image<unsigned char> concat;
        ConcatH(imageL, imageR, concat);
        std::string out_filename = "01_concat.jpg";
        WriteImage(out_filename.c_str(), concat);
    }

    //- 在两幅图像上绘制特征点（并排显示）
    {
        Features2SVG
        (
            jpg_filenameL,
            { imageL.Width(), imageL.Height() },
            regionsL->Features(),
            jpg_filenameR,
            { imageR.Width(), imageR.Height() },
            regionsR->Features(),
            "02_features.svg"
        );
    }

    std::vector<IndMatch> vec_PutativeMatches; // 创建存储假设匹配的向量
    //-- 执行匹配 -> 寻找最近邻点，通过距离比率过滤
    {
        // 寻找对应点
        matching::DistanceRatioMatch(
            0.8, matching::BRUTE_FORCE_L2,
            *regions_perImage.at(0).get(),
            *regions_perImage.at(1).get(),
            vec_PutativeMatches);

        IndMatchDecorator<float> matchDeduplicator(vec_PutativeMatches, featsL, featsR);
        matchDeduplicator.getDeduplicated(vec_PutativeMatches);

        std::cout
            << regions_perImage.at(0)->RegionCount() << " #Features on image A" << std::endl
            << regions_perImage.at(1)->RegionCount() << " #Features on image B" << std::endl
            << vec_PutativeMatches.size() << " #matches with Distance Ratio filter" << std::endl;

        // 绘制经过最近邻比率过滤后的对应点
        const bool bVertical = true;
        Matches2SVG
        (
            jpg_filenameL,
            { imageL.Width(), imageL.Height() },
            regionsL->GetRegionsPositions(),
            jpg_filenameR,
            { imageR.Width(), imageR.Height() },
            regionsR->GetRegionsPositions(),
            vec_PutativeMatches,
            "03_Matches.svg",
            bVertical
        );
    }

    //-----------------------------------------------------------------------------------
    // 对假设匹配进行基本的几何过滤
    {
        Mat3 K; // 创建内参矩阵K
        // 从文件读取K矩阵
        if (!readIntrinsic(stlplus::create_filespec(sInputDir, "K", "txt"), K))
        {
            std::cerr << "Cannot read intrinsic parameters." << std::endl;
            return EXIT_FAILURE;
        }

        // 定义两个针孔相机内参
        const Pinhole_Intrinsic
            camL(imageL.Width(), imageL.Height(), K(0, 0), K(0, 2), K(1, 2)),
            camR(imageR.Width(), imageR.Height(), K(0, 0), K(0, 2), K(1, 2));

        //A. 准备对应的假设点
        Mat xL(2, vec_PutativeMatches.size());
        Mat xR(2, vec_PutativeMatches.size());
        for (size_t k = 0; k < vec_PutativeMatches.size(); ++k) {
            const PointFeature& imaL = featsL[vec_PutativeMatches[k].i_];
            const PointFeature& imaR = featsR[vec_PutativeMatches[k].j_];
            xL.col(k) = imaL.coords().cast<double>();
            xR.col(k) = imaR.coords().cast<double>();
        }

        //B. 通过本质矩阵估计计算相对姿态
        const std::pair<size_t, size_t> size_imaL(imageL.Width(), imageL.Height());
        const std::pair<size_t, size_t> size_imaR(imageR.Width(), imageR.Height());
        sfm::RelativePose_Info relativePose_info;
        if (!sfm::robustRelativePose(&camL, &camR, xL, xR, relativePose_info, size_imaL, size_imaR, 256))
        {
            std::cerr << " /!\\ Robust relative pose estimation failure."
                << std::endl;
            return EXIT_FAILURE;
        }

        std::cout << "\nFound an Essential matrix:\n"
            << "\tprecision: " << relativePose_info.found_residual_precision << " pixels\n"
            << "\t#inliers: " << relativePose_info.vec_inliers.size() << "\n"
            << "\t#matches: " << vec_PutativeMatches.size()
            << std::endl;

        // 展示经过本质矩阵验证的点
        const bool bVertical = true;
        InlierMatches2SVG
        (
            jpg_filenameL,
            { imageL.Width(), imageL.Height() },
            regionsL->GetRegionsPositions(),
            jpg_filenameR,
            { imageR.Width(), imageR.Height() },
            regionsR->GetRegionsPositions(),
            vec_PutativeMatches,//一个匹配对的表示形式为{i_=1761 j_=1580}，这意味着左图像中的第1761个特征点与右图像中的第1580个特征点被认为是匹配的。
            relativePose_info.vec_inliers,//每个元素，如169，表示在vec_PutativeMatches中索引为169的匹配对是一个内点，即这个匹配对被认为是可靠的，能够反映两个图像间真实的几何关系。
            "04_ACRansacEssential.svg",
            bVertical//true，则图像垂直排列；如果为false，则水平排列
        );

        //C. 三角化并导出内点作为PLY场景
        std::vector<Vec3> vec_3DPoints; // 创建3D点向量

        // 设置相机内参和姿态
        const Pinhole_Intrinsic intrinsic0(imageL.Width(), imageL.Height(), K(0, 0), K(0, 2), K(1, 2));
        const Pinhole_Intrinsic intrinsic1(imageR.Width(), imageR.Height(), K(0, 0), K(0, 2), K(1, 2));

        const Pose3 pose0 = Pose3(Mat3::Identity(), Vec3::Zero()); // 第一个相机的姿态
        const Pose3 pose1 = relativePose_info.relativePose; // 第二个相机的姿态

        // 通过内点的三角化初始化结构
        std::vector<double> vec_residuals; // 创建存储重投影误差的向量
        vec_residuals.reserve(relativePose_info.vec_inliers.size() * 4);
        for (const auto inlier_idx : relativePose_info.vec_inliers) {
            const SIOPointFeature& LL = regionsL->Features()[vec_PutativeMatches[inlier_idx].i_];
            const SIOPointFeature& RR = regionsR->Features()[vec_PutativeMatches[inlier_idx].j_];
            // 点三角化
            Vec3 X; // 三角化得到的3D点
            const ETriangulationMethod triangulation_method = ETriangulationMethod::DEFAULT; // 选择三角化方法
            if (Triangulate2View
            (
                pose0.rotation(), pose0.translation(), intrinsic0(LL.coords().cast<double>()),
                pose1.rotation(), pose1.translation(), intrinsic1(RR.coords().cast<double>()),
                X,
                triangulation_method
            ))
            {
                const Vec2 residual0 = intrinsic0.residual(pose0(X), LL.coords().cast<double>()); // 计算第一个相机的重投影误差（重投影误差是二维的，x和y轴上的）
                const Vec2 residual1 = intrinsic1.residual(pose1(X), RR.coords().cast<double>()); // 计算第二个相机的重投影误差
                vec_residuals.emplace_back(std::abs(residual0(0))); // 存储误差：重投影误差是三维点投影回相机成像平面后的误差，它是衡量三维重建质量的一个关键指标。
                vec_residuals.emplace_back(std::abs(residual0(1)));
                vec_residuals.emplace_back(std::abs(residual1(0)));
                vec_residuals.emplace_back(std::abs(residual1(1)));
                vec_3DPoints.emplace_back(X); // 存储3D点
            }
        }

        // 显示重投影误差的一些统计信息
        float dMin, dMax, dMean, dMedian; // 定义最小值、最大值、平均值、中位数
        minMaxMeanMedian<float>(vec_residuals.cbegin(), vec_residuals.cend(),
            dMin, dMax, dMean, dMedian); // 计算统计值

        std::cout << std::endl
            << "Triangulation residuals statistics:" << "\n"
            << "\t-- Residual min:\t" << dMin << "\n"
            << "\t-- Residual median:\t" << dMedian << "\n"
            << "\t-- Residual max:\t " << dMax << "\n"
            << "\t-- Residual mean:\t " << dMean << std::endl;

        // 导出为PLY格式（相机位置+3D点）
        std::vector<Vec3> vec_camPos; // 创建存储相机位置的向量
        vec_camPos.push_back(pose0.center()); // 第一个相机的中心
        vec_camPos.push_back(pose1.center()); // 第二个相机的中心
        exportToPly(vec_3DPoints, vec_camPos, "EssentialGeometry.ply"); // 导出PLY文件
    }
    return EXIT_SUCCESS; // 程序成功退出
}

bool readIntrinsic(const std::string& fileName, Mat3& K)
{
    // 加载K矩阵
    std::ifstream in;
    in.open(fileName.c_str(), std::ifstream::in);
    if (in) {
        for (int j = 0; j < 3; ++j)
            for (int i = 0; i < 3; ++i)
                in >> K(j, i); // 从文件读取K矩阵元素
    }
    else {
        std::cerr << std::endl
            << "Invalid input K.txt file" << std::endl;
        return false; // 读取失败
    }
    return true; // 读取成功
}

bool exportToPly(const std::vector<Vec3>& vec_points,
    const std::vector<Vec3>& vec_camPos,
    const std::string& sFileName)
{
    std::ofstream outfile; // 创建文件输出流
    outfile.open(sFileName.c_str(), std::ios_base::out); // 打开文件

    // 写入PLY文件头
    outfile << "ply"
        << '\n' << "format ascii 1.0"
        << '\n' << "element vertex " << vec_points.size() + vec_camPos.size()
        << '\n' << "property float x"
        << '\n' << "property float y"
        << '\n' << "property float z"
        << '\n' << "property uchar red"
        << '\n' << "property uchar green"
        << '\n' << "property uchar blue"
        << '\n' << "end_header" << std::endl;

    // 写入3D点数据
    for (size_t i = 0; i < vec_points.size(); ++i) {
        outfile << vec_points[i].transpose()
            << " 255 255 255" << "\n"; // 3D点为白色
    }

    // 写入相机位置数据
    for (size_t i = 0; i < vec_camPos.size(); ++i) {
        outfile << vec_camPos[i].transpose()
            << " 0 255 0" << "\n"; // 相机位置为绿色
    }
    outfile.flush(); // 刷新输出流
    const bool bOk = outfile.good(); // 检查写入是否成功
    outfile.close(); // 关闭文件
    return bOk; // 返回写入状态
}

 

江河地笑
关注
  • 11
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
openMVS+openMVG+VS2015 配置全过程方法介绍
08-26
附带有详细的参数设置和安装过程截图
Windows系统下如何将自己的影像数据通过OpenMVG生成OpenMVS可以使用的.mvs格式数据
m0_59534535的博客
03-30 552
由于OpenMVS进行密集匹配和Mesh重建都需要输入一个.mvs文件，而这个文件除了一些博文所提供的开源数据集的.mvs之外，没办法去用自己的数据运行OpenMVS建模，所以本文主要介绍如何将自己的影像数据生成.mvs并且在OpenMVS中使用。
三维重建_使用OpenMVG/OpenMVS重建场景_环境配置/测试
惊鸿一博
10-07 2849
OpenMVG OpenMVS三维重建 安装运行测试
OpenMVG 开始了解
xie__jin__cheng的博客
05-14 654
OpenMVG 开始了解
openMVG原理、编译、源码理解、实践
小rivaaaa的博客
07-18 5917
openMVG原理、编译、源码理解、实践1、理论2、实践2.1、源码编译（重点）2.2、其他3、 Work1: 根据tutorial_demo.py理解SFM pipeline(1)、运行tutorial_demo.py：(2)、源码理解1) 、step1: main_SfMInit_ImageListing.cpp2) 、step2: main_ComputeFeatures.cpp3) 、step3: main_MatchingFeatures.cpp4) 、step4: main_GlobalSFM.
openmvg2.0编译与使用
诺有缸的高飞鸟的博客
03-08 4537
openmvg 2.0的编译与使用
Ubuntu 安装并使用OpenMVG和OpenMVS(保姆级教程)
weixin_61265732的博客
07-20 5993
Ubuntu环境下通过OpenMVG和OpenMVS实现精度较高的三维重建
OpenMVG与OpenMVS安装及使用教程
scott198512的博客
01-10 2829
openmvg安装
GMS特征匹配 原文和代码详细解读GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence
01-07
GMS: Grid-based Motion Statistics for ... 论文认为:匹配对应该是平滑的,对于true match pair(l1,r1),l1附近的特征点对应的匹配点也应该在r1附近.  ① 利用上面的平滑性质,建立统计分析模型(二项分布),过滤ORB mat
GMS特征点提取与匹配全文翻译(Word)
12-03
GMS特征点提取与匹配 本文介绍了一种新的特征匹配方法，称为Grid-based Motion Statistics (GMS)，用于解决现有的特征匹配方法在速度、准确性和鲁棒性方面的缺陷。GMS方法通过将运动平滑度约束转换为统计指标，以...
GMS-Feature-Matcher-master.zip_GMS 匹配_GMS-Feature-Matcher_gms fe
09-15
GMS（Guided Matching with Subspace）特征匹配方法是一种高效且准确的算法，广泛应用于图像配准、3D重建、物体识别等多个场景。GMS-Feature-Matcher-master.zip 文件包含了一个关于GMS特征匹配器的项目源代码，让...
GMS-Feature-Correspondence:GMS特征对应算法的C ++实现
05-10
GMS：基于网格的运动统计信息，可实现快速，超鲁棒的功能对应 Bian等人C ++实现。 基于网格的运动统计是一种通过运动平滑封装来改善特征匹配质量的方法。 基于ORB特征匹配，平滑度约束表示为每个单元格匹配频率的...
基于GMS GPS技术对白琵鹭幼鸟扩散的研究.pdf
09-07
通过GMS+GPS技术，研究人员能够实时获取幼鸟的位置信息，从而了解它们的扩散路径、活动范围以及飞行特性。具体来说，研究涵盖了离巢前期、离巢初期、离巢中期和离巢后期四个阶段，分析了不同日龄阶段的幼鸟在扩散...
OpenMVG与OpenMVS之OpenMVG编译运行
TxyITxs的博客
03-19 1079
OpenMVG编译测试，运行
Ubuntu20下openMVG+openMVS实现三维重建
Xiao_Xue_Seng的博客
12-01 4867
利用openmvg和openmvs实现快速三维重建，可以试着自己拍几张照片，重建出最终的结果。openmvg可以得到稀疏点云图，openmvs可以得到基于mesh的纹理结构。本文更新了部分命令，使其更接近最新版本。
ubuntu18.04编译OpenMVG
cangqiongxiaoye的博客
02-19 790
目前网络上大量的运行openmvg的重建管道文章因为OpenMVG的升级有些已经不能用了，自己也还在踩坑当中，简单记录下自己遇见的一些问题。 一、安装 OpenMVG的安装是否简单，按照官网给出来的安装操作，即可在linux上安装好软件。 Compiling on Linux Install the required external libraries. $ sudo apt-get install libpng-dev libjpeg-dev libtiff-dev libxxf86vm1 l
OpenMVG（EXIF、畸变、仿射特征、特征匹配）
叶
02-12 927
OpenMVG（EXIF、畸变、仿射特征、特征匹配）
算法-KMP字符串匹配
最新发布
xx_xb的博客
07-23 128
next[i] 就是使子串 s[0…i] 有最长相等前后缀的前缀的最后一位的下标。总体来说解next数组和模板串匹配的过程很相似，触类旁通。
特征匹配的优化算法除了GMS还有那些算法
11-29
根据提供的引用内容，特征匹配的优化算法除了GMS还有以下几种算法： 1. SIFT算法：尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）是一种用于图像处理领域的算法，可用于侦测并描述图像中的局部特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量等特征。 2. SURF算法：加速稳健特征（Speeded Up Robust Features，SURF）是一种用于图像处理领域的算法，它是SIFT算法的一种改进，通过加速图像特征点的检测和匹配，提高了特征点匹配的效率。 3. ORB算法：Oriented FAST and Rotated BRIEF（ORB）是一种用于图像处理领域的算法，它是FAST特征检测算法和BRIEF特征描述算法的结合体，通过旋转BRIEF描述符来提高特征点匹配的鲁棒性。
评论
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

打赏作者

江河地笑

实践是检验真理的唯一标准

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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