RANSAC算法筛选匹配点

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w = 内点个数 / 所有点的个数w=内点个数/所有点的个数
采样的 n个点全为内点的概率 p0=wnp_0=w^np0=wn，至少有一个为外点的概率 p1=1−p0p1=1−p0p1=1−p0
则重复 K 次实验，每次都至少有一个外点的概率 p2=p1Kp2=p1^Kp2=p1K
则K次采样中至少一次采样是有效采样的概率 p=1−p2p=1−p2p=1−p2，最终计算得：
K=log(1−p)log(1−p0)K=\frac{log(1−p)}{log(1−p_0)}K=log(1−p0)log(1−p)

    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 = p1x2, y2 = p2src_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_setmodel_h = Hreturn np.asarray(max_inliers, dtype=np.float32), model_h

RANSAC算法筛选匹配点相关推荐

利用RANSAC算法筛选SIFT特征匹配
关于RANSAC算法的基本思想,可从网上搜索找到,这里只是RANSAC用于SIFT特征匹配筛选时的一些说明. RANSAC算法在SIFT特征筛选中的主要流程是: (1) 从样本集中随机抽选一个RANS ...
计算机视觉——SIFT特征提取与检索+匹配地理标记图像+RANSAC算法
SIFT特征提取与检索 1. SIFT算法 1.1 基本概念 1.2 SIFT算法基本原理 1.2.1 特征点 1.2.2 尺度空间 1.2.3 高斯函数 1.2.4 高斯模糊 1.2.5 高斯金字塔 ...
把计算机视觉算法应用遥感,RANSAC算法及其在遥感图像处理中的应用
摘要: 在计算机视觉,工程设计等领域都需要根据相关数据集确定模型参数,但是所得到的数据中往往存在大量不符合模型的异常数据(又被称为野点),这些野点对模型参数稳健性有很大的干扰.经典的参数估计算法如最小 ...
利用SIFT和RANSAC算法（openCV框架）实现物体的检测与定位，并求出变换矩阵（findFundamentalMat和findHomography的比较）
本文目标是通过使用SIFT和RANSAC算法,完成特征点的正确匹配,并求出变换矩阵,通过变换矩阵计算出要识别物体的边界(文章中有部分源码,整个工程我也上传了,请点击这里). SIFT算法是目前公认的效 ...
RANSAC算法注记
今天学习了一下RANSAC随机样本一致性算法,其在图像融合.特征点匹配方面有很强大的应用.网上已经有很多人写了关于这方面的文档,就不再造轮子了.特此罗列出来,以供后续参考. 我的数学之美(一)--RA ...
RANSAC算法的简单理解
图像拼接中看到了特征匹配的部分,特征匹配主要是特征点的匹配.在特征点匹配的时候,首先进行粗匹配,粗匹配通常是进行一对匹配点进行对比,误差越小越可能是一对匹配点:精匹配方法中,我们可以用到RANSAC( ...
RANSAC算法实现图像全景拼接
文章目录一.全景拼接的原理 1.RANSAC算法介绍 2.使用RANSAC算法来求解单应性矩阵 3.拼接图像二.全景拼接实验 1.针对固定点位拍摄多张图片,以中间图片为中心,实现图像的拼接融合 ( ...
ransac算法_增强现实（AR）算法第四讲
正文之前我们讲解了增强现实(AR)注册跟踪的数学原理与推导(链接数学原理),内参矩阵A的标定(链接相机标定)和外参矩阵W的推导(链接外参矩阵推导)本篇将接着第三讲,进一步求解单应性矩阵H,在第三讲中 ...
适合新手--特征点匹配及消除误匹配点-python语言-适用于深度学习提取的特征点和描述符（超简单）
这里用RANSAC来过滤误匹配本代码主要是实现图像误匹配,理论部分及参考文章移步: 计算机视觉:RANSAC剔除基础矩阵F错误匹配(Python实现)_Sunrise永不言弃的博客-CSDN博客以 ...
RANSAC算法（2）：（拟合平面）本文以地面为基础以及源码分布解读
本章代码是本人根据一个未曾谋面的好人学习的(要怀抱希望,世界上好人真的是很多的,我要做一个去给别人带去正能量积极态度的人,加油喽),如需转载学习请注明.谢谢 ---------------基于rans ...

RANSAC算法筛选匹配点

算法过程

迭代次数确定

迭代估计最优单应矩阵

RANSAC算法筛选匹配点相关推荐

最新文章

热门文章