我知道这里有同样的主题已经有几个问题,但我找不到任何帮助。
所以我想比较两个图像,看看它们有多相似,我正在使用众所周知的find_obj.cpp演示来提取冲浪描述符,然后为了匹配我使用了flannFindPairs。
但是你知道这个方法不会丢弃异常值,我想知道真正的正匹配的数量,这样我就能算出这两个图像的相似程度。
我已经看到了这个问题:Detecting outliers in SURF or SIFT algorithm with OpenCV并且那里的人建议使用findFundamentalMat,但是一旦得到基本矩阵,我怎样才能从该矩阵得到异常值/真阳性的数量?谢谢。
答案 0 :(得分:5)
以下是OpenCV提供的descriptor_extractor_matcher.cpp示例的摘录:
if( !isWarpPerspective && ransacReprojThreshold >= 0 )
{
cout << "< Computing homography (RANSAC)..." << endl;
vector<Point2f> points1; KeyPoint::convert(keypoints1, points1, queryIdxs);
vector<Point2f> points2; KeyPoint::convert(keypoints2, points2, trainIdxs);
H12 = findHomography( Mat(points1), Mat(points2), CV_RANSAC, ransacReprojThreshold );
cout << ">" << endl;
}
Mat drawImg;
if( !H12.empty() ) // filter outliers
{
vector<char> matchesMask( filteredMatches.size(), 0 );
vector<Point2f> points1; KeyPoint::convert(keypoints1, points1, queryIdxs);
vector<Point2f> points2; KeyPoint::convert(keypoints2, points2, trainIdxs);
Mat points1t; perspectiveTransform(Mat(points1), points1t, H12);
double maxInlierDist = ransacReprojThreshold < 0 ? 3 : ransacReprojThreshold;
for( size_t i1 = 0; i1 < points1.size(); i1++ )
{
if( norm(points2[i1] - points1t.at<Point2f>((int)i1,0)) <= maxInlierDist ) // inlier
matchesMask[i1] = 1;
}
// draw inliers
drawMatches( img1, keypoints1, img2, keypoints2, filteredMatches, drawImg, CV_RGB(0, 255, 0), CV_RGB(0, 0, 255), matchesMask
#if DRAW_RICH_KEYPOINTS_MODE
, DrawMatchesFlags::DRAW_RICH_KEYPOINTS
#endif
);
#if DRAW_OUTLIERS_MODE
// draw outliers
for( size_t i1 = 0; i1 < matchesMask.size(); i1++ )
matchesMask[i1] = !matchesMask[i1];
drawMatches( img1, keypoints1, img2, keypoints2, filteredMatches, drawImg, CV_RGB(0, 0, 255), CV_RGB(255, 0, 0), matchesMask,
DrawMatchesFlags::DRAW_OVER_OUTIMG | DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS );
#endif
}
else
drawMatches( img1, keypoints1, img2, keypoints2, filteredMatches, drawImg );
过滤的关键行在这里执行:
if( norm(points2[i1] - points1t.at<Point2f>((int)i1,0)) <= maxInlierDist ) // inlier
matchesMask[i1] = 1;
测量点之间的L2范数距离(如果没有指定则为3个像素,或者是用户定义的像素重投影误差)。
希望有所帮助!
答案 1 :(得分:1)
您可以使用名为“ptpairs”的矢量大小来决定图片的相似程度。 此向量包含匹配的关键点,因此他的大小/ 2是匹配的数量。 我认为您可以使用ptpairs的大小除以关键点的总数来设置适当的阈值。 这可能会让你估计它们之间的相似之处。