传统CV算法——特征匹配算法

Brute-Force蛮力匹配

Brute-Force蛮力匹配是一种简单直接的模式识别方法,经常用于计算机视觉和数字图像处理领域中的特征匹配。该方法通过逐一比较目标图像中的所有特征点与源图像中的特征点来寻找最佳匹配。这种方法的主要步骤包括:

  1. 特征提取:首先,从两个待比较的图像中提取关键特征点。这些特征点通常是图像中的角点、边缘或其他显著的图像属性。

  2. 特征描述:对提取出的每个特征点生成一个描述符,这个描述符捕捉了特征点周围的图像信息,通常是通过一定的算法(如SIFT、SURF或ORB等)来实现。

  3. 匹配过程:在蛮力匹配中,源图像的每个特征点的描述符都会与目标图像中每个特征点的描述符进行比较。比较通常基于描述符之间的距离度量(如欧氏距离或汉明距离),以找到最相似的匹配对。

  4. 选择最佳匹配:根据某种标准(如最小距离)从所有可能的匹配中选择最佳匹配。有时也会使用比如比率测试来进一步验证匹配的质量,以排除错误匹配。

虽然Brute-Force匹配方法在小型或中等复杂度的数据集上可以非常有效,但它的计算成本随着特征点数量的增加而显著增加,这可能导致在大规模数据集上的性能问题。因此,它通常被用于那些对实时性要求不是非常高的应用,或者作为复杂匹配算法的初步匹配步骤。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
def cv_show(name,img):cv2.imshow(name, img)cv2.waitKey(0)cv2.destroyAllWindows()img1 = cv2.imread('box.png', 0)
img2 = cv2.imread('box_in_scene.png', 0)
cv_show('img1',img1)
cv_show('img2',img2)
sift = cv2.SIFT_create()
kp1, des1 = sift.detectAndCompute(img1, None)
kp2, des2 = sift.detectAndCompute(img2, None)
# crossCheck表示两个特征点要互相匹,例如A中的第i个特征点与B中的第j个特征点最近的,并且B中的第j个特征点到A中的第i个特征点也是 
#NORM_L2: 归一化数组的(欧几里德距离),如果其他特征计算方法需要考虑不同的匹配计算方式
bf = cv2.BFMatcher(crossCheck=True)

在这里插入图片描述
在这里插入图片描述

1对1的匹配
matches = bf.match(des1, des2)
matches = sorted(matches, key=lambda x: x.distance)
img3 = cv2.drawMatches(img1, kp1, img2, kp2, matches[:10], None,flags=2)
cv_show('img3',img3)

在这里插入图片描述

k对最佳匹配

cv2.BFMatcher() 创建一个Brute-Force匹配器对象,该对象可以用来匹配两个图像之间的特征点。Brute-Force匹配是一种在两组特征点之间找到最佳匹配的简单方法,通过计算一个特征点与另一组中所有特征点之间的距离来实现。

然后,knnMatch 方法被用来找到每个描述符的前k个最佳匹配。在这个例子中,k被设为2,这意味着对于第一组描述符中的每个描述符(des1),算法将找到与第二组描述符(des2)中距离最近的两个描述符。这种方法通常用于执行比如SIFT或SURF这类特征描述符的匹配。

返回的matches是一个列表,其中每个元素也是一个列表,包含两个最佳匹配(因为k=2)。这允许进一步的处理,例如使用比率测试来过滤不良匹配。比率测试通常涉及比较两个最佳匹配之间的距离比,如果第一个距离明显小于第二个(例如,小于阈值的50%),那么我们认为这是一个“好”的匹配。这有助于排除错误的匹配,提高匹配质量。

bf = cv2.BFMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good = []
for m, n in matches:if m.distance < 0.75 * n.distance:good.append([m])
img3 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv_show('img3',img3)

在这里插入图片描述

如果需要更快速完成操作,可以尝试使用cv2.FlannBasedMatcher

cv2.FlannBasedMatcher() 创建了基于FLANN(Fast Library for Approximate Nearest Neighbors)的匹配器对象。FLANN是一个用于大数据集和高维特征的快速近似最近邻搜索库,通常比Brute-Force匹配在这类情况下执行得更快。

knnMatch 方法同样被用来在两组特征描述符之间找到每个描述符的前k个最佳匹配,这里的 k 设为2。这意味着对于第一组描述符(des1)中的每个描述符,FLANN匹配器将在第二组描述符(des2)中找到两个最近似的匹配。

返回的 matches 是一个列表,每个元素也是一个列表,包含每个描述符的两个最佳匹配。这同样允许进一步的处理,比如通过比率测试来过滤掉那些质量不高的匹配,增强匹配结果的准确性。

bf = cv2.FlannBasedMatcher()
matches = bf.knnMatch(des1, des2, k=2)
good = []
for m, n in matches:if m.distance < 0.75 * n.distance:good.append([m])
img4 = cv2.drawMatchesKnn(img1,kp1,img2,kp2,good,None,flags=2)
cv_show('img4',img4)

在这里插入图片描述

随机抽样一致算法(Random sample consensus,RANSAC)

在这里插入图片描述
选择初始样本点进行拟合,给定一个容忍范围,不断进行迭代。
在这里插入图片描述
每一次拟合后,容差范围内都有对应的数据点数,找出数据点个数最多的情况,就是最终的拟合结果
在这里插入图片描述

单应性矩阵

单应性矩阵:指在计算机视觉和图像处理中用来表示两个平面之间的投影关系的一种矩阵。当两个平面之间的投影关系可以用一个矩阵表示时,这个矩阵就被称为单应性矩阵。

在二维平面中,单应性矩阵是一个3x3的矩阵,它可以描述一个平面上的点在另一个平面上的投影位置。这个投影关系可以用以下的公式表示:

[ x ′ , y ′ , w ′ ] T = H ∗ [ x , y , w ] T [x', y', w']^T = H * [x, y, w]^T [x,y,w]T=H[x,y,w]T
其中[x, y, w]是原始平面上的点的齐次坐标,[x’, y’, w’]是投影平面上的点的齐次坐标,H是单应性矩阵。

单应性矩阵可以被用来进行图像处理中的各种操作,如图像拼接、图像配准、图像纠正等。通过计算两个平面之间的单应性矩阵,就可以将一个平面上的点映射到另一个平面上,实现不同平面之间的转换和对齐。

单应性矩阵的计算通常需要已知的对应点对,即已知两个平面上的一些点在对应的投影位置。通过这些对应点对,可以通过最小二乘法或其他优化方法来计算单应性矩阵。

值得注意的是,在计算单应性矩阵时,需要至少有四个对应点对,因为单应性矩阵有8个自由度,而每个对应点对提供了两个约束条件。

总之,单应性矩阵在计算机视觉和图像处理中具有重要的应用,可以描述平面之间的投影关系,并用于图像的转换和对齐任务。单应性矩阵是指在计算机视觉和图像处理中用来表示两个平面之间的投影关系的一种矩阵。当两个平面之间的投影关系可以用一个矩阵表示时,这个矩阵就被称为单应性矩阵。

在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/53546.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

js中【微任务】和【宏任务】长篇解读

在 JavaScript 中&#xff0c;理解微任务&#xff08;microtasks)和宏任务 (macrotasks)是掌握异步编程和事件循环&#xff08;Event Loop&#xff09;机制的关键。这两个概念影响了代码的执行顺序&#xff0c;特别是在涉及异步操作&#xff08;如 setTimeout、Promise、async/…

postgres--系统视图,表

pg_stat_all_tables 累积统计系统-监控数据库活动 pg_stat_all_tables是一个系统视图&#xff0c;它为当前数据库中的每个表&#xff08;包括TOAST表&#xff09;提供一行数据。显示了关于特定表的访问统计信息&#xff0c;比如访问次数等。pg_stat_user_tables和pg_stat_sys_…

根据NVeloDocx Word模板引擎生成Word(三)

基于永久免费开放的《E6低代码开发平台》的Word模版引擎NVeloDocx&#xff0c;实现根据Word模版生成Word文件&#xff0c;前面2篇已经非常详细介绍了《主表单字段》&#xff0c;《子表记录循环输入到表格》。那这一篇我们就介绍插入单张图片、二维码&#xff0c;条形码等等&…

python-网页自动化(三)

如果遇到使用 ajax 加载的网页&#xff0c;页面元素可能不是同时加载出来的&#xff0c;这个时候尝试在 get 方法执行完 成时获取网页源代码可能并非浏览器完全加载完成的页面。所以&#xff0c;这种情况下需要设置延时等待一定时间&#xff0c;确保全部节点都加载出来。 那么&…

邦飞利减速机有哪些系列

邦飞利减速机拥有多个系列&#xff0c;以满足不同领域和场景的需求。以下是邦飞利减速机的一些主要系列&#xff1a; W系列蜗轮蜗杆减速机&#xff1a; 如W63、W75、W86、W110等型号&#xff0c;广泛应用于各种需要减速传动的设备中。VF系列微型蜗轮蜗杆减速机&#xff1a; 包…

搜维尔科技:AcuMap - 针灸模拟VR训练解决方案

AcuMap第一个针灸VR训练解决方案。全面且医学上准确的人体映射&#xff0c;其中 14 条经络和 361 个穴位以 3D 形式可视化。您还可以在虚拟人体模型上模拟针刺。主要特点 - 可视化 14 条经络及其分支 - 基于 4 个主要类别的 361 个穴位&#xff1a;五行、危险穴位、补邪和特殊穴…

P5745【深基附B例】区间最大和

思路一&#xff1a;枚举区间头尾i&#xff0c;j&#xff0c;然后对i和j里面所有数字累加起来求和&#xff0c;再判断是否在不大于M的情况下最大。 #include<iostream> using namespace std; int a[8000005]; int main() {int n, M, ansm 0, ai, aj;cin >> n >…

【Petri网导论学习笔记】Petri网导论入门学习(一)

Petri 网导论 如需学习转载请注明原作者并附本帖链接&#xff01;&#xff01;&#xff01; 如需学习转载请注明原作者并附本帖链接&#xff01;&#xff01;&#xff01; 如需学习转载请注明原作者并附本帖链接&#xff01;&#xff01;&#xff01; 发现网上关于Petri网的学习…

【机器学习】从零开始理解深度学习——揭开神经网络的神秘面纱

1. 引言 随着技术的飞速发展,人工智能(AI)已从学术研究的实验室走向现实应用的舞台,成为推动现代社会变革的核心动力之一。而在这一进程中,深度学习(Deep Learning)因其在大规模数据处理和复杂问题求解中的卓越表现,迅速崛起为人工智能的最前沿技术。深度学习的核心是…

金智维K-RPA基本介绍

一、K-RPA基本组成 K-RPA软件机器人管理系统基于“RPAX”数字化技术打造&#xff0c;其核心系统由管理中心(Server)、设计器(Control)、机器人(Robot/Agent)三大子系统组成&#xff0c;各子系统协同工作&#xff0c;易于构建协同式环境。 管理中心&#xff08;Server&#xff…

【Linux 运维知识】Linux 编译后的内核镜像大小

Linux 内核镜像的大小取决于多个因素&#xff0c;包括内核的版本、启用的功能、模块的数量以及特定的编译配置。 以下是常见情况下不同内核镜像的大小范围&#xff1a; 1. 标准内核镜像大小 压缩后的内核镜像 (vmlinuz)&#xff1a; 压缩后的内核镜像文件&#xff0c;通常位于…

《MaPLe: Multi-modal Prompt Learning》论文解读

系列文章目录 文章目录 系列文章目录论文细节理解1、研究背景2、论文贡献3、方法框架4、研究思路5、实验6、限制 论文细节理解 预训练的视觉语言&#xff08;V-L&#xff09;模型&#xff0c;如CLIP&#xff0c;已经显示出对下游任务的出色泛化能力。然而&#xff0c;它们对输入…

基于boost的共享内存通信demo

文章目录 前言一、共享内存管理二、图像算法服务中的IPC通信流程三、demo实验结果总结 前言 在一个系统比较复杂的时候&#xff0c;将模块独立成单独的进程有助于错误定位以及异常重启恢复&#xff0c;不至于某个模块发生崩溃导致整个系统崩溃。当通信数据量比较大时&#xff…

AI视频生成-一键创作动漫

一、前言 随着深度学习技术和计算能力的进步&#xff0c;AI生成视频&#xff08;AIGV&#xff09;已经从一个研究概念演变成了一种实用工具&#xff0c;其应用场景也在不断拓展。从自动合成新闻报道到虚拟人物的互动视频&#xff0c;从电影特效生成到游戏场景的实时渲染&#…

C++基础知识6 vector

vector 1.vector的介绍及使用1.1 vector的介绍1.2 vector的使用1.2.1 vector的定义1.2.2 vector iterator 的使用1.2.3 vector 常用的接口1.2.4 vector 空间增长问题1.2.4 vector 迭代器失效问题。&#xff08;重点&#xff09; 2.vector模拟实现 1.vector的介绍及使用 1.1 ve…

Dubbo精要

1、为什么需要 Dubbo&#xff1f; 分布式系统中的服务调用和协调问题&#xff1a;在分布式系统中&#xff0c;服务之间的相互依赖会导致复杂的通信和协调问题。Dubbo提供了高效的服务调用和自动注册、发现等功能&#xff0c;使得构建分布式应用程序更加容易。服务治理和服务调…

局域网设备自动发现常用方法

文章目录 需求实现方法ARP (Address Resolution Protocol)Ping ip的流程抓包如下代码实现 mDNS 对比测试Avahi 介绍Avahi 安装Avahi 使用测试代码 需求 局域网设备自动发现是软件开发中的一个常见且重要的需求&#xff0c;它简化了设备间的协作机制&#xff0c;降低了软件各模…

实验九 多线程的处理

实验目的及要求 目的&#xff1a;理解线程的概念&#xff0c;掌握Java的多线程机制&#xff0c;会用多线程编写Java程序。 要求&#xff1a; 理解线程的概念会用Thread类创建线程会使用Runnable接口创建多线程对两种实现多线程方式的方式进行对比掌握线程的同步 二、实验环境…

Vue 中实现视频播放的艺术

随着前端技术的飞速发展&#xff0c;视频播放在 Web 应用中已经成为了一个不可或缺的功能。从社交媒体平台到教育网站&#xff0c;再到在线购物平台&#xff0c;视频元素无处不在。而 Vue.js 作为当今最流行的前端框架之一&#xff0c;在实现视频播放时提供了很多强大的工具和技…

项目日志——日志器模块的设计、同步日志器实现、测试

文章目录 日志器模块设计同步日志器实现测试 日志器模块 设计 日志器模块的主要功能就是将前面的所有模块进行整合&#xff0c;向外提供接口&#xff0c;完成不同等级日志的输出 需要管理的成员有 格式化模块的对象落地模块的对象组当前默认的输出等级互斥锁日志器名称各个…