Algorithme RANSAC

Question

Quelqu'un peut-il me montrer comment utiliser l'algorithme RANSAC pour sélectionner des points caractéristiques communs dans deux images qui ont une certaine partie de chevauchement? Le problème est survenu à partir de l'assemblage d'images basé sur les fonctions.

Answer 1

I mis en œuvre une image piqueuse quelques années. L'article sur RANSAC sur Wikipedia décrit bien l'algoritmo général. Lorsque vous utilisez RANSAC pour la correspondance d'images basée sur les fonctions, vous souhaitez rechercher la transformation qui transforme le mieux la première image en seconde image. Ce serait le modèle décrit dans l'article wikipedia.

Si vous avez déjà obtenu vos caractéristiques pour les deux images et que vous avez trouvé les caractéristiques de la première image qui correspondent le mieux aux caractéristiques de la deuxième image, RANSAC serait 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 qui correspond le mieux TRANFORMS les points image2 à image1, qui est exacly ce que vous voulez lors de la couture.