Cum se aplică RANSAC în Python OpenCV (Programare, Python, Opencv, Omografie, Ransac)

Gratuit Tyler1 a intrebat.

Poate cineva să-mi arate cum să aplic RANSAC pentru a găsi cele mai bune 4 puncte de potrivire a caracteristicilor și coordonatele lor corespunzătoare (x, y), astfel încât să le pot folosi în codul meu de omografie?

Punctele de potrivire a caracteristicilor au fost obținute prin SIFT și iată codul:

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

def drawMatches(img1, kp1, img2, kp2, matches):
    rows1 = img1.shape[0]
    cols1 = img1.shape[1]
    rows2 = img2.shape[0]
    cols2 = img2.shape[1]

    out = np.zeros((max([rows1,rows2]),cols1+cols2,3), dtype='uint8')

    # Place the first image to the left
    out[:rows1,:cols1] = np.dstack([img1, img1, img1])

    # Place the next image to the right of it
    out[:rows2,cols1:] = np.dstack([img2, img2, img2])

    # For each pair of points we have between both images
    # draw circles, then connect a line between them
    for mat in matches:

        # Get the matching keypoints for each of the images
        img1_idx = mat.queryIdx
        img2_idx = mat.trainIdx

        # x - columns
        # y - rows
        (x1,y1) = kp1[img1_idx].pt
        (x2,y2) = kp2[img2_idx].pt

        # Draw a small circle at both co-ordinates
        # radius 4
        # colour blue
        # thickness = 1
        cv2.circle(out, (int(x1),int(y1)), 4, (255, 0, 0), 1)   
        cv2.circle(out, (int(x2)+cols1,int(y2)), 4, (255, 0, 0), 1)

        # Draw a line in between the two points
        # thickness = 1
        # colour blue
        cv2.line(out, (int(x1),int(y1)), (int(x2)+cols1,int(y2)), (255, 0, 0), 1)


    # Show the image
    cv2.imshow('Matched Features', out)
    cv2.waitKey(0)
    cv2.destroyWindow('Matched Features')

    # Also return the image if you'd like a copy
    return out

img1 = cv2.imread("C://Users//user//Desktop//research//img1.2.jpg")
img2 = cv2.imread("C://Users//user//Desktop//research//img3.jpg")

name = cv2.COLOR_YUV2BGRA_YV12
print name
gray1 = cv2.cvtColor(img1,cv2.COLOR_BGR2GRAY)
gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
sift = cv2.SIFT()
kp1,des1 = sift.detectAndCompute(gray1, None)
kp2,des2 = sift.detectAndCompute(gray2, None)
bf = cv2.BFMatcher()
matches=bf.match(des1,des2)
matches=sorted(matches,key=lambda x:x.distance)
img3 = drawMatches(gray1,kp1,gray2,kp2,matches[:100])
plt.imshow(img3),plt.show()

print(matches)




cv2.imwrite('sift_matching1.png',img3)

Și iată rezultatul:faceți clic aici

Iată codul meu de omografie:

import cv2
import numpy as np

if __name__ == '__main__' :

    # Read source image.
    im_src = cv2.imread('C://Users//user//Desktop//research//img1.2.jpg')

    pts_src = np.array([[141, 131], [480, 159], [493, 630],[64, 601]])


    # Read destination image.
    im_dst = cv2.imread('C://Users//user//Desktop//research//img3.jpg')

    pts_dst = np.array([[318, 256],[534, 372],[316, 670],[73, 473]])

    # Calculate Homography
    h, status = cv2.findHomography(pts_src, pts_dst, cv2.RANSAC,5.0)

    # Warp source image to destination based on homography
    im_out = cv2.warpPerspective(im_src, h, (im_dst.shape[1],im_dst.shape[0]))

    # Display images

    cv2.imshow("Warped Source Image", im_out)

    cv2.waitKey(0)

Cele patru puncte pe care le-am ales la întâmplare:

pts_src = np.array([[141, 131], [480, 159], [493, 630],[64, 601]])

același lucru aici:

pts_dst = np.array([[318, 256],[534, 372],[316, 670],[73, 473]])

Deci, da, practic, trebuie doar să înlocuiesc aceste puncte aleatorii cu cele mai bune puncte de potrivire a caracteristicilor care vor fi obținute de RANSAC.

1 răspunsuri
Sunreef

Nu trebuie să folosiți RANSAC înainte de findHomography. RANSAC se aplică în interiorul funcției. Trebuie doar să treceți două array-uri de caracteristici care se potrivesc între ele (nu este nevoie să le treceți doar pe cele mai bune patru).

Cu toate acestea, ceea ce puteți face este să filtrați potrivirile care au distanțe mari. De obicei, încercați să găsiți două corespondențe pentru fiecare caracteristică și verificați dacă distanța cu prima corespondență este mult mai mică decât distanța cu cea de-a doua corespondență. Aruncați o privire la acest tutorial OpenCV pentru a vedea câteva coduri despre cum se face acest lucru.