特征匹配选取 reference image 上的公共点及其相应匹配

原创

已于 2023-12-20 14:43:56 修改 · 538 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

于 2023-12-20 14:18:27 首次发布

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