opencv3/C++ 平面對(duì)象識(shí)別&透視變換方式
findHomography( )
函數(shù)findHomography( )找到兩個(gè)平面之間的透視變換H。
參數(shù)說明：
Mat findHomography( InputArray srcPoints, //原始平面中點(diǎn)的坐標(biāo) InputArray dstPoints, //目標(biāo)平面中點(diǎn)的坐標(biāo) int method = 0, //用于計(jì)算單應(yīng)性矩陣的方法 double ransacReprojThreshold = 3, OutputArray mask=noArray(), //通過魯棒法（RANSAC或LMEDS）設(shè)置的可選輸出掩碼 const int maxIters = 2000, //RANSAC迭代的最大次數(shù)，2000是它可以達(dá)到的最大值 const double confidence = 0.995 //置信度 );
用于計(jì)算單應(yīng)性矩陣的方法有：
0 ：使用所有點(diǎn)的常規(guī)方法；
RANSAC：基于RANSAC的魯棒法；
LMEDS ：最小中值魯棒法；
RHO ：基于PROSAC的魯棒法；
被最小化。如果參數(shù)方法被設(shè)置為默認(rèn)值0，則函數(shù)使用所有的點(diǎn)對(duì)以簡單的最小二乘方案計(jì)算初始單應(yīng)性估計(jì)。
然而，如果不是所有的點(diǎn)對(duì) 
都符合剛性透視變換（也就是說有一些異常值），那么這個(gè)初始估計(jì)就會(huì)很差。在這種情況下，可以使用三種魯棒法之一。方法RANSAC，LMeDS和RHO嘗試使用這個(gè)子集和一個(gè)簡單的最小二乘算法來估計(jì)單應(yīng)矩陣的各個(gè)隨機(jī)子集（每個(gè)子集有四對(duì)），然后計(jì)算計(jì)算的單應(yīng)性的質(zhì)量/良好度（這是RANSAC的內(nèi)點(diǎn)數(shù)或LMeD的中值重投影誤差）。然后使用最佳子集來產(chǎn)生單應(yīng)矩陣的初始估計(jì)和內(nèi)點(diǎn)/外點(diǎn)的掩碼。
不管方法是否魯棒，計(jì)算的單應(yīng)性矩陣都用Levenberg-Marquardt方法進(jìn)一步細(xì)化（僅在魯棒法的情況下使用inlier）以更多地減少再投影誤差。
RANSAC和RHO方法幾乎可以處理任何異常值的比率，但需要一個(gè)閾值來區(qū)分異常值和異常值。 LMeDS方法不需要任何閾值，但只有在超過50％的內(nèi)部值時(shí)才能正常工作。最后，如果沒有異常值且噪聲相當(dāng)小，則使用默認(rèn)方法（method = 0）。
perspectiveTransform(）
函數(shù)perspectiveTransform(）執(zhí)行矢量的透視矩陣變換。
參數(shù)說明：
void perspectiveTransform( InputArray src, //輸入雙通道或三通道浮點(diǎn)數(shù)組/圖像 OutputArray dst, //輸出與src相同大小和類型的數(shù)組/圖像 InputArray m //3x3或4x4浮點(diǎn)轉(zhuǎn)換矩陣 );
平面對(duì)象識(shí)別：
#include<opencv2/opencv.hpp>
#include<opencv2/xfeatures2d.hpp>
using namespace cv;
using namespace cv::xfeatures2d;
int main()
{
Mat src1,src2;
src1 = imread("E:/image/image/card.jpg");
src2 = imread("E:/image/image/cards.jpg");
if (src1.empty() || src2.empty())
{
printf("can ont load images....\n");
return -1;
}
imshow("image1", src1);
imshow("image2", src2);
int minHessian = 400;
//選擇SURF特征
Ptr<SURF>detector = SURF::create(minHessian);
std::vector<KeyPoint>keypoints1;
std::vector<KeyPoint>keypoints2;
Mat descriptor1, descriptor2;
//檢測關(guān)鍵點(diǎn)并計(jì)算描述符
detector->detectAndCompute(src1, Mat(), keypoints1, descriptor1);
detector->detectAndCompute(src2, Mat(), keypoints2, descriptor2);
//基于Flann的描述符匹配器
FlannBasedMatcher matcher;
std::vector<DMatch>matches;
//從查詢集中查找每個(gè)描述符的最佳匹配
matcher.match(descriptor1, descriptor2, matches);
double minDist = 1000;
double maxDist = 0;
for (int i = 0; i < descriptor1.rows; i++)
{
double dist = matches[i].distance;
printf("%f \n", dist);
if (dist > maxDist)
{
maxDist = dist;
}
if (dist < minDist)
{
minDist = dist;
}
}
//DMatch類用于匹配關(guān)鍵點(diǎn)描述符的
std::vector<DMatch>goodMatches;
for (int i = 0; i < descriptor1.rows; i++)
{
double dist = matches[i].distance;
if (dist < max(2*minDist, 0.02))
{
goodMatches.push_back(matches[i]);
}
}
Mat matchesImg;
drawMatches(src1, keypoints1, src2, keypoints2, goodMatches, matchesImg, Scalar::all(-1),
Scalar::all(-1), std::vector<char>(), DrawMatchesFlags::NOT_DRAW_SINGLE_POINTS);
std::vector<Point2f>point1, point2;
for (int i = 0; i < goodMatches.size(); i++)
{
point1.push_back(keypoints1[goodMatches[i].queryIdx].pt);
point2.push_back(keypoints2[goodMatches[i].trainIdx].pt);
}
Mat H = findHomography(point1, point2, RANSAC);
std::vector<Point2f>cornerPoints1(4);
std::vector<Point2f>cornerPoints2(4);
cornerPoints1[0] = Point(0, 0);
cornerPoints1[1] = Point(src1.cols, 0);
cornerPoints1[2] = Point(src1.cols, src1.rows);
cornerPoints1[3] = Point(0,src1.rows);
perspectiveTransform(cornerPoints1, cornerPoints2, H);
//繪制出變換后的目標(biāo)輪廓，由于左側(cè)為圖像src2故坐標(biāo)點(diǎn)整體右移src1.cols
line(matchesImg, cornerPoints2[0] + Point2f(src1.cols, 0), cornerPoints2[1] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
line(matchesImg, cornerPoints2[1] + Point2f(src1.cols, 0), cornerPoints2[2] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
line(matchesImg, cornerPoints2[2] + Point2f(src1.cols, 0), cornerPoints2[3] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
line(matchesImg, cornerPoints2[3] + Point2f(src1.cols, 0), cornerPoints2[0] + Point2f(src1.cols, 0), Scalar(0,255,255), 4, 8, 0);
//在原圖上繪制出變換后的目標(biāo)輪廓
line(src2, cornerPoints2[0], cornerPoints2[1], Scalar(0,255,255), 4, 8, 0);
line(src2, cornerPoints2[1], cornerPoints2[2], Scalar(0,255,255), 4, 8, 0);
line(src2, cornerPoints2[2], cornerPoints2[3], Scalar(0,255,255), 4, 8, 0);
line(src2, cornerPoints2[3], cornerPoints2[0], Scalar(0,255,255), 4, 8, 0);
imshow("output", matchesImg);
imshow("output2", src2);
waitKey();
return 0;
}
以上這篇opencv3/C++ 平面對(duì)象識(shí)別&透視變換方式就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python基于hashlib模塊的文件MD5一致性加密驗(yàn)證示例
這篇文章主要介紹了Python基于hashlib模塊的文件MD5一致性加密驗(yàn)證,涉及Python使用hashlib模塊進(jìn)行字符串與文件的MD5加密驗(yàn)證操作相關(guān)實(shí)現(xiàn)技巧,需要的朋友可以參考下2018-02-02
Python提取PDF內(nèi)容的方法(文本、圖像、線條等)
這篇文章主要介紹了Python提取PDF內(nèi)容的方法(文本、圖像、線條等)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-09-09
解決Python中的modf()函數(shù)取小數(shù)部分不準(zhǔn)確問題
這篇文章主要介紹了解決Python中的modf()函數(shù)取小數(shù)部分不準(zhǔn)確問題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2021-05-05
使用Python的PIL模塊來進(jìn)行圖片對(duì)比
這篇文章主要介紹了使用Python的PIL模塊來進(jìn)行圖片對(duì)比的方法,搜索引擎最基本的圖片搜索也是利用圖片顏色值的對(duì)比來實(shí)現(xiàn)的,需要的朋友可以參考下2016-02-02
Python使用re模塊正則提取字符串中括號(hào)內(nèi)的內(nèi)容示例
這篇文章主要介紹了Python使用re模塊正則提取字符串中括號(hào)內(nèi)的內(nèi)容,結(jié)合實(shí)例形式分析了Python使用re模塊進(jìn)行針對(duì)括號(hào)內(nèi)容的正則匹配操作,并簡單解釋了相關(guān)修正符與正則語句的用法,需要的朋友可以參考下2018-06-06
python:批量統(tǒng)計(jì)xml中各類目標(biāo)的數(shù)量案例
這篇文章主要介紹了python:批量統(tǒng)計(jì)xml中各類目標(biāo)的數(shù)量案例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-03-03
python讀取圖片的方式,以及將圖片以三維數(shù)組的形式輸出方法
今天小編就為大家分享一篇python讀取圖片的方式,以及將圖片以三維數(shù)組的形式輸出方法，具有好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了python實(shí)現(xiàn)掃雷游戲的示例，幫助大家更好的理解和學(xué)習(xí)python，感興趣的朋友可以了解下2020-10-10
pygame實(shí)現(xiàn)俄羅斯方塊游戲（對(duì)戰(zhàn)篇1）
這篇文章主要為大家詳細(xì)介紹了pygame實(shí)現(xiàn)俄羅斯方塊游戲的對(duì)戰(zhàn)篇，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2019-10-10
這篇文章主要介紹了關(guān)于Python中函數(shù)的幾種形參,python中函數(shù)是非常重要的一個(gè)知識(shí)點(diǎn)，想要把函數(shù)學(xué)習(xí)好，就必須要把函數(shù)的參數(shù)學(xué)習(xí)好，這樣才能夠進(jìn)行很好的傳遞參數(shù)，發(fā)揮出應(yīng)有的作用,需要的朋友可以參考下2023-08-08