2D點集匹配

Question

將掃描（拍照）點集與模板點集（圖像中的藍色，綠色，紅色，粉色圓圈）相匹配的最佳方式是什麼？ 我正在使用opencv/C++。也許某種ICP算法？我想將掃描圖像封裝到模板圖像中！

模板點集：

掃描點集：

Answer 1

如果對象是合理的剛性和排列，簡單auto-correlation會做的伎倆。 如果不是，我會用RANSAC來估計主題和模板之間的轉換（看起來你有特徵點）。請提供一些關於這個問題的細節。

編輯： RANSAC（隨機樣本共識）可用於您的情況。將模板中不必要的點考慮爲噪聲（由特徵檢測器檢測到虛假特徵） - 它們是大綱。 RANSAC可以處理大綱，因爲它會隨機選擇一小部分特徵點（可以啓動模型的最小量），啓動模型並計算模型與給定數據的匹配程度（模板中有多少個點與您的模型相對應其他點）。如果您選擇錯誤的子集，該值將會很低，您將放棄該模型。如果你選擇正確的子集，它會很高，你可以用LMS算法來提高你的匹配。

Answer 2

你看過OpenCV的descriptor_extractor_matcher.cpp樣本嗎？本示例使用RANSAC檢測兩個輸入圖像之間的單應性。我假設你什麼時候換你實際上意味着扭曲？如果您想用您檢測到的單應性矩陣來翹曲圖像，請查看warpPerspective函數。最後，here是在OpenCV中使用不同特徵檢測器的一些很好的教程。

編輯： 你可能沒有SURF功能，但你肯定有不同類別的特徵點。基於特徵的匹配通常分爲兩個階段：特徵檢測（您已經完成）和提取，您需要匹配。因此，您可以嘗試將您的功能轉換爲KeyPoint，然後進行特徵提取和匹配。這裏是你怎麼可能去了解這一點的代碼片段：

typedef int RED_TYPE = 1; 
typedef int GREEN_TYPE = 2; 
typedef int BLUE_TYPE = 3; 
typedef int PURPLE_TYPE = 4; 

struct BenFeature 
{ 
    Point2f pt; 
    int classId; 
}; 

vector<BenFeature> benFeatures; 

// Detect the features as you normally would in addition setting the class ID 

vector<KeyPoint> keypoints; 
for(int i = 0; i < benFeatures.size(); i++) 
{ 
    BenFeature bf = benFeatures[i]; 
    KeyPoint kp(bf.pt, 
       10.0, // feature neighborhood diameter (you'll probaby need to tune it) 
       -1.0, // (angle) -1 == not applicable 
       500.0, // feature response strength (set to the same unless you have a metric describing strength) 
       1, // octave level, (ditto as above) 
       bf.classId // RED, GREEN, BLUE, or PURPLE. 
       ); 
    keypoints.push_back(kp); 
} 

// now proceed with extraction and matching... 

您可能需要調整的反應強度，使得它不會被提取階段閾值處理了。但是，希望這可以說明你可能會嘗試做什麼。

Answer 3

您是否必須匹配紅色矩形？原始圖像在角落中包含四個黑色矩形，它們似乎是用於匹配的。我能可靠地與4行的Mathematica代碼找到它們：

lotto = [source image] 
lottoBW = Image[Map[Max, ImageData[lotto], {2}]] 

這需要最大（R，G，B）對每一個像素，即，它濾出紅色和黃色的打印（更多或更少）。結果是這樣的：

然後我使用日誌過濾器來查找黑斑和結果圖像中尋找局部最大值

lottoBWG = ImageAdjust[LaplacianGaussianFilter[lottoBW, 20]] 
MaxDetect[lottoBWG, 0.5] 

結果：

Answer 4

請按照下列步驟操作：

1. 匹配兩個圖像中的點或特徵，這將確定您的包裝;
2. 確定您正在尋找什麼轉換爲您的包裝。最一般的應該是單應性（見cv :: findHomography（）），較不常用的是簡單的翻譯（使用cv :: matchTempalte（））。中間情況將是沿x，y和旋轉的平移。爲此，我寫了一個比Homography更好的快速函數，因爲它使用較少的自由度，同時仍然優化正確的度量（座標差的平方差）： https://stackoverflow.com/a/18091472/457687
3. 如果您認爲您的匹配有很多異常值，請使用RANSAC您需要隨機選擇一組最小的點來尋找參數，求解，確定內點，使用所有內點再次求解，然後迭代嘗試改進當前的解決方案（增加內點的數量，減少錯誤或兩者）。請參閱維基百科RANSAC算法：http://en.wikipedia.org/wiki/Ransac