点击上方蓝字关注我们
微信公众号:OpenCV学堂
关注获取更多计算机视觉与深度学习知识
单应性矩阵计算函数与应用
OpenCV在通过特征描述子完成描述子匹配之后,会得到一些关键点对,我们会把这些关键点对分别添加到两个vector对象中,作为输入参数,调用单应性矩阵发现函数来发现一个变换矩阵H,函数 findHomography 就完成了这样的功能,常见的调用代码如下:
1//-- Localize the object
2std::vector obj_pts; 3std::vector scene_pts; 4for (size_t i = 0; i 5{
6 //-- Get the keypoints from the good matches 7 obj_pts.push_back(keypoints_obj[goodMatches[i].queryIdx].pt); 8 scene_pts.push_back(keypoints_sence[goodMatches[i].trainIdx].pt); 9}10Mat H = findHomography(obj_pts, scene_pts, RHO);
有了变换矩阵H之后,我们就可以根据输入图像四点坐标,从场景图像上得到特征匹配图像的四点坐标,代码实现如下:
1//-- Get the corners from the image_1 ( the object to be "detected" )
2st

本文详细介绍了OpenCV中的单应性矩阵计算,包括最小二乘法、RANSAC、PROSAC和LMEDS等方法,并通过实例展示了它们在图像匹配、图像拼接等应用场景中的作用。重点讨论了在存在噪声和干扰点时,如何选择合适的算法来估计准确的单应性矩阵。
最低0.47元/天 解锁文章
9万+

被折叠的 条评论
为什么被折叠?



