Question

我正在建立一个基于scikit-image的全景代码。它很标准，就像

1）加载和灰度图像

2）ORB检测和匹配

3）RANSAC单应性搜索（产生3×3矩阵）

4）变形和拼接图像

这与我的图片配合得很好。但是，为了让它在可接受的时间内工作，我必须缩小我的ORB图像。然后应用于缩小图像的变换得到了良好的结果，然而将它们应用于非缩放图像处理。

供参考：缩放由skimage.transform.rescale完成，只有一个常量缩放，transform是一个skimage.transform.ProjectiveTransform类，变形是用skimage.transform.warp完成的

Q1）在我的论述中，同形异义词只是按比例定义。那么为什么我不能以不同的比例使用它们（如果在图像中心进行了sclaing）

Q2）有没有办法简单地扩展我的单应性？

Answer 1

估计的单应性H在某种意义上是按比例定义的，当应用于单应性向量p = [x y z]时，得到的向量Hp = [x' y' z']代表2-D向量[x'/z' y'/z'] 。因此，单应矩阵的任何缩放（例如kH）都会产生kHp = [kx' ky' kz']或2D等效[x'/z' y'/z']，与以前相同。

在您描述的场景中，您想要的是重新缩放变换，以便它可以应用于原始图像坐标，即使在缩小的坐标上估计单应性。

所以，你可以这样做：

from skimage import transform as tf
import numpy as np

# Set up a fake homography as illustration
# This homography is estimated on the scaled down image,
# but we'd 
estimated_tf = tf.ProjectiveTransform(np.arange(9).reshape((3, 3))/10)
print('Estimated:\n', estimated_tf.params)

S_down = tf.SimilarityTransform(scale=0.5)
S_up = tf.SimilarityTransform(scale=2)

full_tf = S_down + estimated_tf + S_up

print('On scaled down coordinates:', estimated_tf([1, 2]))
print('On full coordinates:', full_tf([2, 4]))

哪个收益

Estimated: [[ 0. 0.1 0.2] [ 0.3 0.4 0.5] [ 0.6 0.7 0.8]] On scaled down coordinates: [[ 0.14285714 0.57142857]] On full coordinates: [[ 0.28571429 1.14285714]]

重新调整Homographys /图像变形

1 个答案: