opencv学习——cv2.findHomography()

#第三个参数用于计算单应矩阵的方法。 可以使用以下方法:
         #0  - 使用所有点的常规方法
         #CV_RANSAC  - 基于RANSAC的鲁棒方法
         #CV_LMEDS  - 最少中位数的鲁棒方法
         #第四个参数取值范围在1到10,绝一个点对的阈值。原图像的点经过变换后点与目标图像上对应点的误差
         #超过误差就认为是异常值
         #返回值中H为变换矩阵.mask是掩模,在线的点
         H,mask = cv2.findHomography(src_pts,dst_pts,cv2.RANSAC,5.0)

我们之前使用了查询图像,找到其中的一些特征点,我们取另外一个训练图像,找到里面的特征,我们找到它们中间最匹配的。简单说就是我们在一组图像里找一个目标的某个部分的位置。

我们可以使用一个calib3d模块里的函数,cv2.findHomography().如果我们传了两个图像里的点集合,它会找到那个目标的透视转换。然后我们可以使用cv2.perspectiveTransform()来找目标,它需要至少4个正确的点来找变换。

我们看过可能会有一些匹配是的错误而影响结果。哟啊解决这个问题,算法使用了RANSAC或者LEAST_MEDIAN(由标志决定)。提供正确估计的好的匹配被叫做inliers,而其他的叫做outliers。cv2.findHomography()返回一个掩图来指定inlier和outlier。

code

首先,和正常一样,我们找到SIFT特征,用比率检测来找最匹配的。

import numpy as np
import cv2
from matplotlib import pyplot as plt

MIN_MATCH_COUNT = 10

img1 = cv2.imread('box.png',0)          # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage

# Initiate SIFT detector
sift = cv2.SIFT()

# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)

FLANN_INDEX_KDTREE = 0
index_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 5)
search_params = dict(checks = 50)

flann = cv2.FlannBasedMatcher(index_params, search_params)

matches = flann.knnMatch(des1,des2,k=2)

# store all the good matches as per Lowe's ratio test.
good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append(m)

现在我们设置一个至少10个匹配的条件(有MIN_MATCH_COUNT指定)来找目标。否则就显示一个信息说没有足够的匹配。

如果找到了足够的匹配,我们得到两张图像里标记的关键点的位置。他们被传到透视转换。当我们得到了3x3的转换矩阵,我们用它来把查询图像里的角转换到响应的训练图像的对应点。然后画出来。

if len(good)>MIN_MATCH_COUNT:
    src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
    dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)
   
    M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)
    matchesMask = mask.ravel().tolist()

    h,w = img1.shape
    pts = np.float32([ [0,0],[0,h-1],[w-1,h-1],[w-1,0] ]).reshape(-1,1,2)
    dst = cv2.perspectiveTransform(pts,M)

    img2 = cv2.polylines(img2,[np.int32(dst)],True,255,3, cv2.LINE_AA)

else:
    print "Not enough matches are found - %d/%d" % (len(good),MIN_MATCH_COUNT)
    matchesMask = None

最后我们画出我们的inliers(如果成功找到了目标)或者匹配关键点(如果失败了)

draw_params = dict(matchColor = (0,255,0), # draw matches in green color
        singlePointColor = None,
        matchesMask = matchesMask, # draw only inliers
        flags = 2)

img3 = cv2.drawMatches(img1,kp1,img2,kp2,good,None,**draw_params)

plt.imshow(img3, 'gray'),plt.show()

看下面的结果,目标被白色标出来

opencv学习——cv2.findHomography()_第1张图片

END



作者:xxxss
链接:https://www.jianshu.com/p/d835f1a4717c
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

你可能感兴趣的:(#,OpenCV-Python)