Algoritmo RANSAC

Question

Qualcuno può indicarmi come utilizzare l'algoritmo RANSAC per selezionare punti caratteristica comuni in due immagini che hanno una certa porzione di sovrapposizione? Il problema è venuto dalla cucitura dell'immagine basata su feature.

Answer 1

ho implementato una cucitrice immagine di un paio di anni fa. L'articolo su RANSAC su Wikipedia descrive bene l'algortihm generale.

Quando si utilizza RANSAC per la corrispondenza delle immagini basata sulle funzionalità, ciò che si desidera è trovare la trasformazione che meglio trasforma la prima immagine nella seconda immagine. Questo sarebbe il modello descritto nell'articolo di Wikipedia.

Se si dispone già delle funzionalità per entrambe le immagini e si è riscontrato che le funzioni nella prima immagine corrispondono meglio a quelle della seconda immagine, RANSAC potrebbe essere utilizzato in questo modo.

The input to the algorithm is: 
n - the number of random points to pick every iteration in order to create the transform. I chose n = 3 in my implementation. 
k - the number of iterations to run 
t - the threshold for the square distance for a point to be considered as a match 
d - the number of points that need to be matched for the transform to be valid 
image1_points and image2_points - two arrays of the same size with points. Assumes that image1_points[x] is best mapped to image2_points[x] accodring to the computed features. 

best_model = null 
best_error = Inf 
for i = 0:k 
    rand_indices = n random integers from 0:num_points 
    base_points = image1_points[rand_indices] 
    input_points = image2_points[rand_indices] 
    maybe_model = find best transform from input_points -> base_points 

    consensus_set = 0 
    total_error = 0 
    for i = 0:num_points 
    error = square distance of the difference between image2_points[i] transformed by maybe_model and image1_points[i] 
    if error < t 
     consensus_set += 1 
     total_error += error 

    if consensus_set > d && total_error < best_error 
    best_model = maybe_model 
    best_error = total_error 

Il risultato finale è la trasformazione che meglio tranforms i punti in image2 a IMAGE1, che è exacly quello che vuoi quando cuciture.