3

这个问题与两组点之间的转换有关。但是，这是更好地指定，并添加了一些假设。

我有元素图像和一些模型。

我在两者上都检测到了轮廓

contoursModel0, hierarchyModel = cv2.findContours(model.copy(), cv2.RETR_LIST,   
                                                  cv2.CHAIN_APPROX_SIMPLE);
contoursModel = [cv2.approxPolyDP(cnt, 2, True) for cnt in contoursModel0];    
contours0, hierarchy = cv2.findContours(canny.copy(), cv2.RETR_LIST,  
                                        cv2.CHAIN_APPROX_SIMPLE);
contours = [cv2.approxPolyDP(cnt, 2, True) for cnt in contours0];

然后我将每个轮廓相互匹配

modelMassCenters = [];
imageMassCenters = [];
for cnt in contours:
for cntModel in contoursModel:
    result = cv2.matchShapes(cnt, cntModel, cv2.cv.CV_CONTOURS_MATCH_I1, 0);
    if(result != 0):
        if(result < 0.05):
           #Here are matched contours
           momentsModel = cv2.moments(cntModel);
           momentsImage = cv2.moments(cnt);
           massCenterModel = (momentsModel['m10']/momentsModel['m00'],  
                              momentsModel['m01']/momentsModel['m00']); 
           massCenterImage = (momentsImage['m10']/momentsImage['m00'], 
                              momentsImage['m01']/momentsImage['m00']); 
           modelMassCenters.append(massCenterModel);
           imageMassCenters.append(massCenterImage);

匹配的轮廓类似于特征。

现在我想检测这两组点之间的转换。假设：单元为刚体，只有旋转、位移和尺度变化。

某些特征可能会被漏检，如何消除它们。我曾经使用过cv2.findHomography，它需要两个向量并计算它们之间的单应性，即使有一些未匹配。

cv2.getAffineTransformation只需要三分（无法应对不匹配），这里我有多个功能。我在上一个问题中的回答说如何计算这种转换，但不会出现不匹配。另外我认为可以从算法中返回一些质量水平（通过检查有多少点不匹配，在从其余部分计算一些转换之后）

最后一个问题：我应该采用所有矢量点来计算变换还是只将这种形状的质心视为特征？

为了展示它，我添加了简单的图像。带有绿色的特征是红色坏匹配中的好匹配。此处的匹配应根据 3 个绿色特征计算，红色不匹配应影响匹配质量。

在此处输入图像描述

我正在添加我现在想出的解决方案片段（但我认为它可以做得更好）：

for i in range(0, len(modelMassCenters) - 1):
for j in range(i + 1, len(modelMassCenters) - 1  ):
    x1, y1 = modelMassCenters[i];
    x2, y2 = modelMassCenters [j];
    modelVec = (x2 - x1, y2 - y1);
    x1, y1 = imageMassCenters[i];
    x2, y2 = imageMassCenters[j];
    imageVec = (x2 - x1, y2 - y1);
    rotation = angle(modelVec,imageVec);
    rotations.append((i, j, rotation)); 
    scale = length(modelVec)/length(imageVec);
    scales.append((i, j,  scale));

在计算每对对应线给出的比例和旋转之后，我将找到旋转的中值和平均值，它们与中值的差异不超过一些增量。规模也一样。然后，将这些值用于计算的点将用于计算位移。

4

1 回答 1

2

如果特征具有相似的形状，您的第二步（通过成对的形状比较将轮廓相互匹配）听起来很容易出错，例如，您有几个相似大小的圆形轮廓。然而，如果您有一个仅在一个象限中具有 5 个圆形特征的刚体，那么如果您将刚体及其特征视为一个整体，您可以获得对仿射变换的非常稳健的估计。所以在匹配特征的时候，不要从整个身体的中心丢弃特征的范围和方向等信息。这些在关联特征方面至少与单个轮廓的大小和形状一样重要。

我会尝试类似（未经测试的伪代码）：

"""
Convert from rectangular (x,y) to polar (r,w)
    r = sqrt(x^2 + y^2)
    w = arctan(y/x) = [-\pi,\pi]
"""
def polar(x, y):        # w in radians
    from math import hypot, atan2, pi
    return hypot(x, y), atan2(y, x)

model_features = []
model = params(model_body_contour)    # return tuple (center_x, center_y, area)
for contour in model_feature_contours:
    f = params(countour)
    range, angle = polar(f[0]-model[0], f[1]-model[1])
    model_features.append((angle, range, f[2]))

image_features = []
image = params(image_body_contour)
for contour in image_feature_contours:
    f = params(countour)
    range, angle = polar(f[0]-image[0], f[1]-image[1])
    image_features.append((angle, range, f[2]))

# sort image_features and model_features by angle, range
#
# correlate image_features against model_features across angle offsets
#    rotation = angle offset of max correlation
#    scale = average(model areas and ranges) / average(image areas and ranges)

如果您有非常具有挑战性的图像，例如由 6 个等距大小相似的特征组成的环，其中 5 个具有相同的形状和一个不同的特征（例如 5 个圆形和一个星形），您可以添加额外的参数，例如偏心率和锐度到特征参数列表，并在搜索旋转角度时将它们包含在相关性中。

于 2012-09-24T21:16:35.280 回答