特征匹配 选取 reference image 上的 公共点 及其相应匹配

文章介绍了如何对N张图像进行特征匹配,找出第一张图像作为参考,然后找出剩余图像与参考图像之间的公共关键点。通过FindCommonUV函数处理匹配点列表,结合FilterKeypoints函数筛选出有效关键点。

现在我有 N 张图像,选取第 1 张图像作为 reference image,剩下的图像都要跟第 1 张图像做 feature matching。一共做 N-1 次 feature matching。每次 feature matching 之后,都能得到两个输出,分别是 参与 匹配的两张图像对应的匹配点kp0_numpy, kp1_numpy。
N-1 次 feature matching,就会得到两个 list,input1 跟 input2,分别对应N-1个kp0_numpy跟N-1个kp1_numpy。
现在我需要找到 N-1 个 kp0_numpy 共有的 keypoints,以及这些keypoints 在 每个 kp1_numpy 对应的 keypoints。 下面的 FindCommonUV 函数可以做到。

CombineFeaturePointArrays 函数则是实现将 N-1 个 kp0_numpy 共有的 keypoints,以及这些keypoints 在 每个 kp1_numpy 对应的 keypoints 拼凑成 一个 [2*N, num_feature ] 形状的 np.darray。其中 num_feature 是 公共 keypoints的数目,N 是 图像数目。

函数 FindCommonUV 的输入 input1 跟 input2 是两个 keypoints 的 list。 input1 对应 reference image

def CombineFeaturePointArrays(common_points, matched_points_list):
    # 将common_points和matched_points_list中的数组转置
    transposed_common_points = common_points.T
    transposed_matched_points = [feature_array.T for feature_array in matched_points_list]
    result_array = np.vstack([transposed_common_points, *transposed_matched_points])

    return result_array

def FindCommonUV(input1, input2):
    common_points = None
    matched_points_list 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

培之

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值