第五章：多视图几何

Joyrich.

于 2024-08-28 20:28:13 发布

阅读量1k

点赞数 24

文章标签：算法人工智能计算机视觉

本文链接：https://blog.csdn.net/qq_63029071/article/details/141637985

版权

1 外极几何

1.1 一个简单的数据集

1.2 用Matplotlib绘制三维数据

1 外极几何

多视图几何是利用在不同视点所拍摄图像间的关系，来研究照相机之间或者特征之间关系的一门学科。图像的特征通常是兴趣点，本章使用的也是兴趣点特征，多视图几何中最重要的内容是双视图几何。

如果有一个场景的两个视图以及视图中对应图像点，那么根据照相机间的空间相对位置关系、照相机的性质以及三维场景点的位置，可以得到对这些图像点的一些几何关系约束。我们通过外极几何来描述这些几何关系。

没有关于照相机的先验知识，会出现固有二义性，因为三维场景点X经过4×4的单应性矩阵H变换为HX后，则HX在照相机PH-1里得到的图像点和X在照相机P里得到的图像点相同。利用照相机方程，可以将上述问题描述为：

$\lambda x=PX=PH^{-1}HX=\widehat{P}\widehat{X}$

因此，当我们分析双视图几何关系时，总是可以将照相机间的相对位置关系用单应性矩阵加以简化。这里的单应性矩阵通常只做刚体变换，即只通过单应矩阵变换了坐标系。一个比较好的做法是，将原点和坐标轴与第一个照相机对齐，则：

$P_1=K_1[I|0]$ 和 $P_2=K_2[R|t]$

qi其中K1和K2是标定矩阵，R是第二个照相机的旋转矩阵，t是第二个照相机的平移向量。利用这些照相机参数矩阵，我们可以找到点X的投影点x1和x2（分别对应于投影矩阵P1和P2）的关系。这样，我们可以从寻找对应的图像出发，恢复照相机参数矩阵。

同一个图像点经过不同的投影矩阵产生的不同投影点必须满足：

$x_2^{T}Fx_1=0$

其中：

$F=K_2^{-T}S_tRK_1^{-1}$

矩阵St为反对称矩阵：

$S_t=\begin{bmatrix} 0 &-t_3 &t_2 \\ t_3 &0 &-t_1 \\ -t_2 &t_3 &0 \end{bmatrix}$

上述为外极约束条件。矩阵F为基础矩阵。基础矩阵可以由两照相机的参数矩阵（相对旋转R和平移t）表示。由于det(F)=0，所以基础矩阵的秩小于等于2。我们将在估计F的算法中用到这些性质。

上面的公式表明，我们可以借助F来恢复出照相机参数，而F可以从对应的投影图像点计算出来。在不知道照相机的内参数（K1和K2）的情况下，仅能恢复照相机的投影变换矩阵。在知道照相机内参数的情况下，重建是基于度量的。所谓度量重建，即能够在三维重建中正确表示距离和角度。

利用上面的理论处理一些图像数据前，我们还需要了解一些几何学知识。给定图像中的一个点，例如第二个视图中的图像点x2，利用上述公式，我们可以找到对应第一幅图像的一条直线：

$x_2^{T}Fx_1=l_1^{T}x_1=0$

其中I1T=0是第一幅图像中的一条直线。这条线称为对应于点x2的外极线，也就是说，点x2在第一幅图像中的对应点一定在这条线上。所以，基础矩阵可以将对应点的搜索限制在外极线上。

外极线都经过一点e，称为外极点。实际上，外极点是另一个照相机光心对应的图像点。外极点可以在我们看到的图像外，这取决于照相机间的相对方向。因为外极点在所有的外极线上，所以Fe1=0。因此，我们可以通过计算F的零向量来计算出外极点。同理，另一个外极点可以通过计算e2TF=0得到。

1.1 一个简单的数据集

我们需要一个带有图像点、三维点和照相机参数矩阵的数据集，在http://www.robots.ox.ac.uk/~vgg/data/mview/下载Merton College

from matplotlib.pyplot import *

import camera
from numpy import *
from PIL import Image
im1=array(Image.open('001.jpg'))
im2=array(Image.open('002.jpg'))
points2D=[loadtxt('2D/00'+str(i+1)+'.corners').T for i in range(3)]
points3D=loadtxt('3D/p3d').T
corr=genfromtxt('2D/nview-corners',dtype='int',missing_values='*')
P=[camera.Camera(loadtxt('2D/00'+str(i+1)+'.P')) for i in range(3)]
X=vstack((points3D,ones(points3D.shape[1])))
x=P[0].project(X)
subplot(121)
imshow(im1)
plot(points2D[0][0],points2D[0][1],'*')
subplot(122)
imshow(im1)
plot(x[0],x[1],'r.')
show()

运行结果：

上面的程序会加载前两个图像（共三个）、三个视图中的所有图像特征点 1、对应不同视图图像点重建后的三维点以及照相机参数矩阵（使用上一章的 Camera 类）。这里使用 loadtxt() 函数读取文本文件到 NumPy 数组中。因为并不是所有的点都可见，或都能够成功匹配到所有的视图，所以对应数据里包含了缺失的数据。加载对应数据时需要考虑这一点。genfromtxt() 函数通过将缺失的数值（在文件中用 * 表示）填充为 -1 来解决这个问题。将三维的点投影到一个视图，然后和观测到的图像点比较，上面的代码绘制出第一个视图以及该视图中的图像点。为比较方便，投影后的点绘制在另一张图上。如果仔细观察，会发现第二幅图比第一幅图多一些点。这些多出的点是从视图 2 和视图 3 重建出来的，而不在视图 1 中。

1.2 用Matplotlib绘制三维数据

为了可视化三维重建结果，我们需要绘制出三维图像。Matplotlib中的mplot3d工具可以方便地绘制出三维点、线、等轮廓线、表面以及其他基本图形组件，还可以通过图像窗口控件实现三维旋转和缩放。

from mpl_toolkits.mplot3d import axes3d
from pylab import *

fig = figure()
ax = fig.gca(projection="3d")

# 生成三维样本点
X, Y, Z = axes3d.get_test_data(0.25)

# 在三维中绘制点
ax.plot(X.flatten(),Y.flatten(),Z.flatten(),'o')

show()

现在通过画出Merton样本数据来观察三维点的效果：

1.3 计算F：八点法

八点法是通过对应点来计算基础矩阵的算法。

下面的代码写入八点法中最小化||Af||的函数：

def compute_fundamental(x1, x2):
	n = x1.shape[1]
	
	if x2.shape[1] != n:
		raise ValueError("Number of points don't match.")
		
	A = zeros((n, 9))
	
	for i in range(n):
		A[i] = [x1[0, i] * x2[0, i], x1[0, i] * x2[1, i], x1[0, i] * x2[2, i],
				x1[1, i] * x2[0, i], x1[1, i] * x2[1, i], x1[1, i] * x2[2, i],
				x1[2, i] * x2[0, i], x1[2, i] * x2[q, i], x1[2, i] * x2[0, i]]

	U, S, V = linalg.svd(A)
	F = V[-1].reshape(3, 3)
	
	U, S, V = linalg.svd(F)
	S[2] = 0
	F = dot(U, dot(diag(S), V))
	
	return F

通常使用SVD算法来计算最小二乘解。由于上面算法得出的解可能秩不为2，所以通过将最后一个奇异值置为0来得到秩最接近2的基础矩阵。

1.4 外极点和外极线

如果要获得一幅图像的外极点，只需要将F转置后输入下述函数：

def compute_epipole(F):
	U, S, V = linalg.svd(F)
	e = V[-1]
	
	return e / e[2]

def plot_epipolar_line(im, F, x, epipole = None, show_epipole = True):
	m, n = im.shape[:2]
	line = dot(F, x)
	
	t = linspace(0, n, 100)
	lt = array([(line[2] + line[0] * tt) / (-line[1]) for tt in t])
	
	ndx = (lt >= 0) & (lt < m)
	plot(t[ndx], lt[ndx], linewidth = 2)
	
	if show_epipole:
		if epipole is None:
			epipole = compute_epipole(F)
		plot(epipole[0] / epipole[2], epipole[1] / epipole[2], 'r*')

上面的函数将x轴的范围作为直线的参数，因此直线超出图像边界的部分会被截断。如果show_epipole为真，外极点也会被画出来（如果输入参数没有外极点，则外极点会在程序中计算出来）。
可以在之前样本数据集的前两个视图上运行这两个函数：

ndx = (corr[:, 0] >= 0) & (corr[:, 1] >= 0)

x1 = points2D[0][:, corr[ndx, 0]]
x1 = vstack((x1, ones(x1.shape[1])))

x2 = points2D[1][:, corr[ndx, 1]]
x2 = vstack((x2, ones(x2.shape[1])))

F = sfm.compute_fundamental(x1, x2)

e = sfm.compute_epipole(F)

figure()
imshow(im1)

for i in range(5):
	sfm.plot_epipolar_line(im1, F, x2[:, i], e, False)
axis('off')

figure()
imshow(im2)

for i in range(5):
	plot(x2[0, i], x2[1, i], 'o')
axis('off')

show()

首先选择两幅图像的对应点，然后将他们转换为齐次坐标。然后画出了对应匹配点。在下图中用不同颜色将点和相应的外极线对应起来

2 照相机和三维结构计算

上一节讲述了视图和基础矩阵、外极线计算方法的关系。这一节我们将简单地介绍计算照相机参数和三维结构的工具。

2.1 三角剖分

给定照相机参数模型，图像点可以通过三角剖分来恢复出这些点的三维位置。基本的算法思想如下。

对于两个照相机P1和P2的视图，三维实物点X的投影点为x1和x2（这里用齐次坐标表示），照相机方程定义了下列关系：

$\begin{bmatrix}\mathrm P_1&&-\mathrm x_1&&0\\\mathrm P_2&&0&&-\mathrm x_2\end{bmatrix}\begin{bmatrix}\mathrm X\\\lambda_1\\\lambda_2\end{bmatrix}=0$

由于图像噪声、照相机参数误差和其他系统误差，上面的方程可能没有精确解。我们可以通过SVD算法来得到三维点的最小二乘估值。

下面的函数用于计算一个点对的最小二乘三角剖分，把它添加到sfm.py中：

def triangulate_point(x1,x2,P1,P2):
    """使用最小二乘解，绘制点对的三角剖分"""

    M = zeros((6,6))
    M[:3,:4] = P1
    M[3:,:4] = P2
    M[:3,4] = -x1
    M[3:,5] = -x2

    U,S,V = linalg.svd(M)
    X = V[-1,:4]

    return X / X[3]

最后一个特征向量的前4个值就是齐次坐标下的对应三维坐标。我们可以增加下面的函数来实现多个点的三角剖分：

def triangulate(x1, x2, P1, P2):
    """x1和x2（3×n的齐次坐标表示）中点的二视图三角剖分"""
    
    n = x1.shape[1]
    if x2.shape[1] != n:
        raise ValueError("Number of points don't match")
    
    X = [ triangulate_point(x1[:,i], x2[:,i], P1, P2) for i in range(n)]
    return array(X).T

我们可以利用下面的代码来实现Merton1数据集上的三角剖分：

# 获得前两个视图中点的索引
ndx = (corr[:,0]>=0) & (corr[:,1]>=0)

# 获取坐标，并用齐次坐标表示
x1 = points2D[0][:,corr[ndx,0]]
x1 = vstack( (x1,ones(x1.shape[1])) )
x2 = points2D[1][:,corr[ndx,1]]
x2 = vstack( (x2,ones(x2.shape[1])) )

Xtrue = points3D[:, ndx]
Xtrue = vstack((Xtrue,ones(Xtrue.shape[1])))

# 检查前三个点
Xest = sfm.triangulate(x1, x2, P[0].P, P[1].P)
print(Xest[:,:3])
print(Xtrue[:,:3])

# 绘制图像
fig = figure()
ax = fig.gca(projection='3d')
ax.plot(Xest[0], Xest[1], Xest[2],'ko')
ax.plot(Xtrue[0], Xtrue[1], Xtrue[2], 'r.')
axis('equal')

show()

上面的代码首先利用前两个视图的信息来对图像点进行三角剖分，然后把前三个图像点的齐次坐标输出到控制台，最后绘制出回复的最接近三维图像点。输出到控制台的信息如下：

算法估计出的三维图像点和实际图像点很接近，从结果绘图来看，估计点和实际点可以很好地匹配。

2.2 由三维点计算照相机矩阵

如果已经知道了一些三维点及其图像投影，我们可以使用直接线性变换的方法来计算照相机矩阵P。本质上，这是三角剖分方法的逆问题，有时我们将其称为照相机反切法。利用该方法恢复照相机矩阵同样也是一个最小二乘问题。

我们从照相机方程可以得出，每个三维点Xi（齐次坐标下）按照 $\lambda _ix_i=PX_i$ 投影到图像点 $x_i=[x_i,y_i,1]$ ,相应的点满足下面的关系：

$\begin{bmatrix}\mathrm X_1^\mathrm{T}&0&0&-\mathrm x_1&0&0&...\\0&\mathrm X_1^\mathrm{T}&0&-\mathrm y_1&0&0&...\\0&0&\mathrm X_1^\mathrm{T}&-1&0&0&...\\\mathrm X_2^\mathrm{T}&0&0&0&-\mathrm x_2&0&...\\0&\mathrm X_2^\mathrm{T}&0&0&-\mathrm y_2&0&...\\0&0&\mathrm X_2^\mathrm{T}&0&-1&0&...\\...&...&...&...&...&...&...\end{bmatrix}\begin{bmatrix}\mathrm p_1^\mathrm{T}\\\mathrm p_2^\mathrm{T}\\\mathrm p_3^\mathrm{T}\\\lambda_1\\\lambda_2\\...\end{bmatrix}=0$

其中p1，p2，p3是矩阵P的三行。上面的式子可以写的更紧凑，如下所示：

Mv=0

然后，我们可以使用SVD分解估计出照相机矩阵。利用上面讲述的矩阵操作，我们可以直接写出相应的代码，加入到sfm.py中：

def compute_P(x, X):
    """由二维-三维对应对（齐次坐标表示）计算照相机矩阵"""
    
    n = x.shape[1]
    if X.shape[1] != n:
        raise ValueError("Number of points don't match")
    
    # 创建用于计算DLT解的矩阵
    M = zeros((3*n,12+n))
    for i in range(n):
        M[3*i,0:4] = X[:,i]
        M[3*i+1,4:8] = X[:,i]
        M[3*i+2,8:12] = X[:,i]
        M[3*i:3*i+3,i+12] = -x[:,i]
        
    U,S,V = linalg.svd(M)
    
    return V[-1,:12].reshape((3,4))

该函数的输入参数为图像点和三维点，构造出上述所示的M矩阵。最后一个特征向量的前12个元素是照相机矩阵的元素，经过重新排列成矩阵形状后返回。

下面，在我们的样本数据集上测试算法性能。下面的代码会选出第一个视图中的一些可见点（使用对应列表中缺失的数值），将它们转化为齐次坐标表示，然后估计照相机矩阵：

from pylab import *
from PIL import Image
from mpl_toolkits.mplot3d import axes3d
from PCV.geometry import camera
from PCV.geometry import sfm
from PCV.localdescriptors import sift
# 载入一些图像
im1 = array(Image.open('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\001.jpg'))
im2 = array(Image.open('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\002.jpg'))

# 载入每个视图的二维点到列表中
points2D = [loadtxt('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\00'+str(i+1)+'.corners').T for i in range(3)]

# 载入三维点
points3D = loadtxt('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\p3d').T

# 载入对应
corr = genfromtxt('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\nview-corners',dtype='int',missing_values='*')

# 载入照相机矩阵到 Camera 对象列表中
P = [camera.Camera(loadtxt('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\00'+str(i+1)+'.P')) for i in range(3)]

# 将三维点转换成齐次坐标表示，并投影
X = vstack( (points3D, ones(points3D.shape[1])))
x = P[0].project(X)

corr = corr[:,0]    # 视图1
ndx3D = where(corr>0)[0]    # 丢失的数值为-1
ndx2D = corr[ndx3D]

# 选取可见点，并用齐次坐标表示
x = points2D[0][:,ndx2D]    # 视图1
x = vstack((x, ones(x.shape[1])))
X = points3D[:,ndx3D]
X = vstack((X,ones(X.shape[1])))

# 估计P
Pest = camera.Camera(sfm.compute_P(x, X))

# 比较！
print(Pest.P / Pest.P[2,3])
print(P[0].P / P[0].P[2,3])

xest = Pest.project(X)

# 绘制图像
figure()
imshow(im1)
plot(x[0],x[1],'bo')
plot(xest[0],xest[1],'r.')
axis('off')

show()

为了检查照相机矩阵的正确性，将它们以归一化的格式（除以最后一个元素）打印到控制台。输出如下所示

上面是估计出的照相机矩阵，下面是数据集的创建者计算出的照相机矩阵。可以看到，它们的元素几乎相同，最后使用估计出的照相机矩阵投影这些三维点，最后绘制出投影后的结果，结果如下图，真实点用圆圈表示，估计出的照相机投影点用点表示。

2.3 由基础矩阵计算照相机矩阵

在两个场景中，照相机矩阵可以由基础矩阵恢复出来。假设第一个照相机矩阵归一化为P1=[I|0]，现在我们需要计算出第二个照相机矩阵P2。研究分为两类，未标定的情况和已标定的情况。

1.未标定的情况——投影重建
在没有任何照相机内参数知识的情况下，照相机矩阵只能通过射影变换恢复出来。也就是说，如果利用照相机的信息来重建三维点，那么该重建只能由射影变换计算出来（你可以得到整个投影场景中无畸变的重建点）。在这里，我们不考虑角度和距离。

因此，在无标定的情况下，第二个照相机矩阵可以使用一个（3×3）的射影变换得出。一个简单的方法是：

$P_2=[S_eF|e]$

其中，e是左极点，满足eTF=0，Se是反对称矩阵。请注意，使用该矩阵做出的三角剖分很有可能会发生畸变，如倾斜的重建。

下面两个函数添加到sfm.py中

def compute_P_from_fundamental(F):
    """从基础矩阵中计算第二个照相机矩阵（假设 P1 = [I 0])"""

    e = compute_epipole(F,T)  #左极点
    Te = skew(e)
    return vstack((dot(Te,F.T).T,e)).T

def skew(a):
    """反对称矩阵A，使得对于每个v有a×v=Av""" 
    
    return array([[0,-a[2],a[1]],[a[2],0,-a[0]],[-a[1],a[0],0]])

2.已标定的情况——度量重建
在已经标定的情况下，重建会保持欧式空间中的一些度量特性（除了全局的尺度参数）。在重建三维场景中，已标定的例子更为有趣。

给定标定矩阵K，我们可以将它的逆K-1作用于图像点xk=K-1x，因此，在新的图像坐标系下，照相机方程变为：

在新的图像坐标系下，点同样满足之前的基础矩阵方程：

在标定归一化的坐标系下，基础矩阵称为本质矩阵。为了区别为标定后的情况，以及归一化了的图像坐标，通常将其记为E，而非F。从本质矩阵中恢复出的照相机矩阵中存在度量关系，但有四个可能解。因为只有一个解产生位于两个照相机前的场景，所以可以从中选出来。

下面是具体计算4个解的代码，把它添加到sfm.py中：

def compute_P_from_essential(E):
    """从本质矩阵中计算第二个照相机矩阵（假设 P1 = [I 0])
    输出为4个可能的照相机矩阵列表"""

    # 保证E的秩为2
    U, S, V = svd(E)
    if det(dot(U, V)) < 0:
        V = -V
    E = dot(U, dot(diag([1, 1, 0]), V))

    # 创建矩阵（Hartley）
    Z = skew([0, 0, -1])
    W = array([[0, -1, 0], [1, 0, 0], [0, 0, 1]])

    # 返回所有（4个）解
    P2 = [vstack((dot(U, dot(W, V)).T, U[:, 2])).T,
          vstack((dot(U, dot(W, V)).T, -U[:, 2])).T,
          vstack((dot(U, dot(W.T, V)).T, U[:, 2])).T,
          vstack((dot(U, dot(W.T, V)).T, -U[:, 2])).T]

    return P2

3 多视图重建

下面让我们来看，如何使用上面的理论从多幅图像中计算出真实的三维重建。由于照相机的运动给我们提供了三维结构，所以这样计算三维重建的方法通常称为SfM（Structure from Motion，从运动中恢复结构）。

假设照相机已经标定，计算重建可以分为下面4个步骤：

1）检测特征点，然后在两幅图像间匹配
2）由匹配计算基础矩阵
3）由基础矩阵计算照相机矩阵
4）三角剖分这些三维点

我们已经具备了完成上面4个步骤所需的所有工具。但是当图像间的点对应包含不正确的匹配时，我们需要一个稳健的方法来计算基础矩阵。

3.1 稳健估计基础矩阵

类似于之前的稳健估计单应性矩阵，当存在噪声和不正确匹配时，我们需要估计基础矩阵。和前面方法一样，我们使用RANSAC方法，只不过这次结合了八点算法。注意，八点算法在平面场景中会失效，所以，如果场景点都位于平面，则不能使用该算法。

将下面的类添加到sfm.py中：

def F_from_ransac(x1,x2,model,maxiter=5000,match_theshold=1e-6):
    """使用RANSAC方法，从点对应中稳健地估计基础矩阵F
    输入：使用齐次坐标表示的点x1,x2（3*n的数组）""" 
        
    import ransac
        
    data = vstack((x1,x2))
        
    #计算F,并返回正确点索引
    F,ransac_data = ransac.ransac(data.T,model,8,maxiter,match_theshold,20,return_all=True)
        
    return F,ransac_data['inliers']

def compute_fundamental_normalized(x1,x2):
        """使用归一化的八点算法，由对应点（x1,x2 3*n 的数组）计算基础矩阵"""
        
        n = x1.shape[1]
        if x2.shape[1]!=n:
            raise ValueError("Number of points don't match.")
            
        #归一化图像坐标
        x1 = x1/x1[2]
        mean_1 = mean(x1[:2],axis=1)
        S1 = sqrt(2)/std(x1[:2])
        T1 = array([[S1,0,-S1*mean_1[0]],[0,S1,-S1*mean_1[1]],[0,0,1]])
        x1 = dot(T1,x1)
        
        x2 = x2/x2[2]
        mean_2 = mean(x2[:2],axis=1)
        S2 = sqrt(2)/std(x2[:2])
        T2 = array([[S2,0,-S2*mean_2[0]],[0,S2,-S2*mean_2[1]],[0,0,1]])
        x2 = dot(T2,x2)
        
        #使用归一化的坐标计算F
        F = compute_fundamental(x1,x2)
        
        #反归一化
        F = dot(T1.T,dot(F,T2))
        
        return F/F[2,2]

class RansacModel(object):
    """用从http://www.scipy.org/Cookbook/RANSAC 下载的ransac.py 计算基础矩阵的类"""    
    
    def __init__(self,debug=False):
        self.debug = debug
        
    def fit(self,data):
        """使用选择的8个对应计算基础矩阵"""
        
        #转置，并将数据分成两个点集
        data = data.T
        x1 = data[:3,:8]
        x2 = data[3:,:8]
        
        #估算基础矩阵，并返回
        F = compute_fundamental_normalized(x1,x2)
        return F
    
    def get_error(self,data,F):
        """计算所有对应的x^T F X，并返回每个变换后点的误差"""
        
        #转置，并将数据分成两个点集
        data = data.T
        x1 = data[:3]
        x2 = data[3:]
        
        #将sampson距离用作误差度量
        Fx1 = dot(F,x1)
        Fx2 = dot(F,x2)
        denom = Fx1[0]**2 + Fx1[1]**2 + Fx2[0]**2 +Fx2[1]**2
        err = (diag(dot(x1.T,dot(F,x2)))) **2/denom
        
        #返回每个点的误差
        return err

3.2 三维重建示例

from PIL import Image
from pylab import *
import numpy as np
from PCV.geometry import camera
from PCV.geometry import homography
from PCV.geometry import sfm
from PCV.localdescriptors import sift
from mpl_toolkits.mplot3d import axes3d

# 标定矩阵
K = array([[2394, 0, 932], [0,2398,628], [0,0,1]])

# 载入图像
im1 = array(Image.open('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\alcatraz1.jpg'))
sift.process_image('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\alcatraz1.jpg','im2.sift')
l1, d1 = sift.read_features_from_file('im2.sift')

im2 = array(Image.open('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\alcatraz2.jpg'))
sift.process_image('D:\\123\图像处理\Image Processing\Image Processing\Chapter5\\alcatraz2.jpg','im3.sift')
l2, d2 = sift.read_features_from_file('im3.sift')

# 特征匹配
matches = sift.match_twosided(d1, d2)
ndx = matches.nonzero()[0]

# 使用齐次坐标表示，并使用inv(K)归一化
x1 = homography.make_homog(l1[ndx,:2].T)
ndx2 = [int(matches[i]) for i in ndx]
x2 = homography.make_homog(l2[ndx2,:2].T)

x1n = dot(inv(K),x1)
x2n = dot(inv(K),x2)

# 使用RANSAC方法估计E
model = sfm.RansacModel()
E, inliers = sfm.F_from_ransac(x1n, x2n, model)

# 计算照相机矩阵
P1 = array([[1,0,0,0], [0,1,0,0], [0,0,1,0]])
P2 = sfm.compute_P_from_essential(E)

# 选取点在照相机前的解
ind = 0
maxres = 0
for i in range(4):
    # 三角剖分正确点，并计算每个照相机的深度
    X = sfm.triangulate(x1n[:,inliers],x2n[:,inliers],P1,P2[i])
    d1 = dot(P1,X)[2]
    d2 = dot(P2[i],X)[2]

    if sum(d1>0)+sum(d2>0) > maxres:
        maxres = sum(d1>0)+sum(d2>0)
        ind = i
        infront = (d1>0) & (d2>0)
    # 三角剖分正确点，并移除不在所有照相机前面的点
    X = sfm.triangulate(x1n[:,inliers],x2n[:,inliers],P1,P2[ind])
    X = X[:,infront]

# 绘制三维图像
fig = figure()
ax = fig.gca(projection='3d')
ax.plot(-X[0], X[1], X[2], 'k.')
axis('off')

# 绘制X的投影 import camera
# 绘制三维点
cam1 = camera.Camera(P1)
cam2 = camera.Camera(P2[ind])
x1p = cam1.project(X)
x2p = cam2.project(X)

    # 反K归一化
x1p = dot(K, x1p)
x2p = dot(K, x2p)
figure()
imshow(im1)
gray()
plot(x1p[0], x1p[1], 'o')
plot(x1[0], x1[1], 'r.')
axis('off')
figure()
imshow(im2)
gray()
plot(x2p[0], x2p[1], 'o')
plot(x2[0], x2[1], 'r.')
axis('off')
show()

运行结果：

3.3 多视图的扩展示例

多视图重建有一些步骤和进一步的扩展，下面提供关于一些有关内容的介绍。

多视图

当我们有同一场景的多个视图时，三维重建会变得更加准确，包括更多的细节信息。因为基本矩阵只和一对视图相关，所以该过程带有很多图像，和之前的处理有些不同。
对于视频序列，可是使用时序关系，在连续的帧对中匹配特征。相对方位需要从每个帧对增量地加入下一个帧对。同时可以使用跟踪有效地找到对应点。
对于静止的图像，一个办法是找到一个中央参考视图，然后计算与之有关的所有其他照相机矩阵。另一个办法是计算一个图像对的照相机矩阵和三维重建，然后增量地加入新的图像和三维点。另外，还有一些方法可以同时由三个视图计算三维重建和照相机位置。