02 RANSAC算法 及 Python 实现

2023-11-25 17:28
文章标签 python 算法 实现 02 ransac

本文主要是介绍02 RANSAC算法 及 Python 实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 02 RANSAC算法 及 Python 实现
      • 2.1 简介
      • 2.2 算法流程
      • 2.3 RANSAC 算法实现直线拟合
      • 2.4 利用 RANSAC 算法减少 ORB 特征点误匹配

02 RANSAC算法 及 Python 实现

2.1 简介

RANSAC (Random Sample Consensus,随机抽样一致)算法的 基本假设 是样本中包含正确数据(inliers即内点,可以被模型描述的数据),也包含异常数据(outliers 即外点,偏离正常范围很远、无法适应数学模型的数据),也就是说数据集中含有噪声。

我们的目的就是找出 使内点最多的模型参数(类似最小二乘法,最小二乘法试图找到满足所有点的参数,而 RANSAC 是为了消除误匹配,尽量找到更多内点,去除外点)。

2.2 算法流程

RANSAC 是通过反复选择数据集去估计出模型参数,一直迭代到估计出认为比较好的模型。

具体的实现步骤可以分为以下几步:

(1)选择出可以估计出模型的最小数据集;(对于直线拟合来说就是两个点,对于计算单应矩阵就是 4 个点);

(2)使用这个最小数据集计算出模型参数;

(3)将所有数据带入这个模型,计算并记录“内点”的数目(在误差允许范围内的点的数目);

(4)与之前记录的最好模型的“内点”数量进行比较,若表现更好,则将此模型更新为最优模型;

(5)重复以上步骤,直至达到最大迭代次数或“内点”数量满足要求。

2.3 RANSAC 算法实现直线拟合

# @Time : 2022/11/7 20:11
# @Author : xiao cong
# @Function : RANSAC 算法实现直线拟合import numpy as np
import matplotlib.pyplot as plt
import randomITERS = 1000            # 最大迭代次数
SIZE = 50               # 样本数量
RATIO = 0.6             # 期望为内点的比例
INLIERS = SIZE * RATIO  # 内点# 生成样本数据
X = np.linspace(0, 5, SIZE)
Y = 2 * X + 5
for index in range(SIZE):sigma = np.random.uniform(-0.5, 0.5)  # 生成高斯噪声Y[index] += sigma# 绘散点图
plt.figure()
plt.scatter(X, Y)
plt.xlabel("x")
plt.ylabel("y")# 使用 RANSAC 算法估算模型
iter = 0  # 迭代次数
max_inliers = 0  # 先前最多内点数量
best_a = 0  # 最优参数
best_b = 0
error = 0.5  # 允许最小误差while iter <= ITERS and max_inliers < INLIERS:# 随机选取两个点,计算模型参数random_index = random.sample(range(0, SIZE), 2)  # 返回索引列表x1 = X[random_index[0]]y1 = Y[random_index[0]]x2 = X[random_index[1]]y2 = Y[random_index[1]]a = (y2 - y1) / (x2 - x1)  # 斜率b = y1 - a * x1  # 截距inliers = 0  # 本次内点数量# 代入模型,计算内点数量for index in range(SIZE):y_estimate = a * X[index] + bif abs(Y[index] - y_estimate) <= error:inliers += 1if inliers >= max_inliers:best_a = abest_b = bmax_inliers = inliersiter += 1# 画出拟合直线
Y_estimate = best_a * X + best_b
plt.plot(X, Y_estimate, linewidth=2.0, color="r")
text = "best_a: " + str(round(best_a, 2)) + "\nbest_b:  " + str(round(best_b, 2)) + \"\nmax_inliers: " + str(int(max_inliers))
plt.text(3, 6, text, fontdict={'size': 10, 'color': 'r'})
plt.title("RANSAC")
plt.show()

2.4 利用 RANSAC 算法减少 ORB 特征点误匹配

特征点匹配会有很多误匹配的点,所以求出基础矩阵 F \boldsymbol{F} F,用它来做更精准的匹配。这里以 ORB 为例,FAST 特征点就是 RANSAC 算法的数据样本。

对极约束,得到

p 2 T F p 1 = 0 \boldsymbol{p_2^{\mathrm{T}}}\boldsymbol{F}\boldsymbol{p_1}=0 p2TFp1=0

其中, p 1 \boldsymbol{p_1} p1 p 2 \boldsymbol{p_2} p2 为匹配点的像素坐标 。

分别为 ORB_features.png*、all_matches.png、goodmatches.png、*after_RANSAC.png.

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

#include <iostream>
#include <opencv2/features2d.hpp>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;int main()
{// 读取图像Mat img_01 = imread("/home/cong/slambook_code/test/img_01.png");Mat img_02 = imread("/home/cong/slambook_code/test/img_02.png");// 提取 ORB 特征点vector<KeyPoint> keypoints_01, keypoints_02;         // FAST 特征点Mat descriptors_01, descriptors_02;                  // BRIEF 描述子Ptr<FeatureDetector> detector = ORB::create();       // 初始化Ptr<DescriptorExtractor> descriptor = ORB::create();Ptr<DescriptorMatcher> matcher = DescriptorMatcher::create("BruteForce-Hamming");//-- 第一步:检测 Oriented FAST 角点位置detector->detect(img_01, keypoints_01);detector->detect(img_02, keypoints_02);//-- 第二步:根据角点位置计算 BRIEF 描述子descriptor->compute(img_01, keypoints_01, descriptors_01);descriptor->compute(img_02, keypoints_02, descriptors_02);Mat outimg_01;drawKeypoints(img_01, keypoints_01, outimg_01, Scalar::all(-1), DrawMatchesFlags::DEFAULT);imwrite("ORB_features.png", outimg_01);imshow("ORB features", outimg_01);//-- 第三步:对两幅图像中的BRIEF描述子进行匹配,计算 Hamming 距离// matches 用来存储匹配点对的信息,包括//queryIdx:测试图像的特征点描述符的下标//trainIdx:样本图像的特征点描述符下标//distance:特征点描述子的欧式距离vector<DMatch> matches;matcher->match(descriptors_01, descriptors_02, matches);//-- 第四步:匹配点对筛选(距离过大的一对点将被认为误匹配)// 找出所有匹配之间的最小距离和最大距离, 即最相似的和最不相似的两组点之间的距离auto min_max = minmax_element(matches.begin(), matches.end(),[] (const DMatch &m1, const DMatch &m2) {return m1.distance < m2.distance;});double min_dist = min_max.first->distance;double max_dist = min_max.second->distance;//当描述子之间的距离大于两倍的最小距离时,即认为匹配有误.// 但有时候最小距离会非常小,设置一个经验值30作为下限.vector<DMatch> good_matches;for(int i = 0; i < descriptors_01.rows; i++){if(matches[i].distance <= max(2*min_dist, 30.0))good_matches.push_back(matches[i]);}//-- 第五步:绘制匹配结果Mat img_match;Mat img_goodmatch;drawMatches(img_01, keypoints_01, img_02, keypoints_02, matches, img_match);drawMatches(img_01, keypoints_01, img_02, keypoints_02, good_matches, img_goodmatch);imwrite("all_matches.png", img_match);imwrite("good_matches.png", img_goodmatch);imshow("all matches", img_match);imshow("good matches", img_goodmatch);/*******************************************************************/// 下面用 RANSAC 算法去除误匹配// 主要分为三个部分:// 1)根据matches将特征点对齐,将坐标转换为float类型// 2)使用求基础矩阵方法 findFundamentalMat,得到RansacStatus// 3)根据RansacStatus来将误匹配的点也即RansacStatus[i]=0的点删除// 1)根据 matches 将特征点对齐(也就是 使对应的一对特征点的下标相同)vector<KeyPoint> R_keypoint_01, R_keypoint_02;        // 存储对应的特征点for(size_t i = 0; i < matches.size(); i++){R_keypoint_01.push_back(keypoints_01[matches[i].queryIdx]);     // 存储img01中能与img02匹配的特征点的索引值R_keypoint_02.push_back(keypoints_02[matches[i].trainIdx]);}// 像素坐标转换成 floatvector<Point2f> p01, p02;for(size_t i = 0; i < matches.size(); i++){p01.push_back(R_keypoint_01[i].pt);          // 坐标p02.push_back(R_keypoint_02[i].pt);}// 利用基础矩阵剔除误匹配点vector<uchar> RansacStatus;Mat Fundamental = findFundamentalMat(p01, p02, RansacStatus, FM_RANSAC);vector<KeyPoint> RR_keypoint_01, RR_keypoint_02;vector<DMatch> RR_matches;                         // 筛选后的匹配点int index = 0;for(size_t i = 0; i < matches.size(); i++){if(RansacStatus[i] != 0){RR_keypoint_01.push_back(R_keypoint_01[i]);RR_keypoint_02.push_back(R_keypoint_02[i]);matches[i].queryIdx = index;matches[i].trainIdx = index;RR_matches.push_back(matches[i]);index++;}}Mat img_RR_matches;drawMatches(img_01, RR_keypoint_01, img_02, RR_keypoint_02, RR_matches, img_RR_matches);imwrite("after_RANSAC.png", img_RR_matches);imshow("after RANSAC", img_RR_matches);waitKey(0);return 0;
}

这篇关于02 RANSAC算法 及 Python 实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/424247

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

让树莓派智能语音助手实现定时提醒功能

最初的时候是想直接在rasa 的chatbot上实现,因为rasa本身是带有remindschedule模块的。不过经过一番折腾后,忽然发现,chatbot上实现的定时,语音助手不一定会有响应。因为,我目前语音助手的代码设置了长时间无应答会结束对话,这样一来,chatbot定时提醒的触发就不会被语音助手获悉。那怎么让语音助手也具有定时提醒功能呢? 我最后选择的方法是用threading.Time