Algorithme RANSAC

Quelqu'un peut-il svp me montrer comment utiliser l'algorithme RANSAC pour sélectionner la caractéristique commune des points dans les deux images qui ont une certaine partie de chevauchement? Le problème est venu de fonctionnalité en fonction de l'image de la couture.
Algorithme RANSAC
Algorithme RANSAC

source d'informationauteur view

  1. 20

    J'ai mis en place une image de stitcher, un couple d'années en arrière. L'article sur RANSAC sur Wikipédia décrit le général algortihm.

    Lors de l'utilisation de RANSAC pour la fonction image matching, ce que vous voulez est de trouver le transformer en une meilleure transforme la première image de la deuxième image. Ce serait le modèle décrit dans l'article de wikipedia.

    Si vous avez déjà eu votre fonctionnalités à la fois des images et ont trouvé dans la première image correspond le mieux dans la deuxième image, RANSAC serait utilisé quelque chose comme ça.

    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

    Le résultat final est la transformation que le meilleur tranforms les points de image2 à image1, ce qui est exactement ce que vous voulez lors de la couture.