计算机视觉126基于特征的图像对准.pptxVIP

第六章 基于特征的图像对准;主要内容;图像对准-Image alignment;A look into the past;A look into the past;Bing streetside images;图像对准的应用;图像拼接的困难;图像对准;基于拟合的对准;基于拟合的对准;2D 转换模型;从仿射变换开始;拟合仿射变换;6个未知数的线性方程组 每一对匹配的特征点能够建立两个独立的线性方程:这样就至少需要三对匹配的特征点解出全部参数;基于特征的图像对准的过程;提取特征;提取特征 特征匹配;提取特征 特征匹配 迭代: 选择三个特征点对，得到初始变换T ;提取特征 特征匹配 迭代: 选择三个特征点对，得到初始变换T 利用其它特征点对，验证变换T;提取特征 特征匹配 迭代: 选择三个特征点对，得到初始变换T 利用其它特征点对，验证变换T;建立特征点对;对比兴趣点邻域范围的图像块的特征描述子;特征描述子;最简单的描述子：图像灰度向量 怎样比较两个向量的相似性? Sum of squared differences (SSD) 不具有光照不变性 Normalized correlation 具有光照仿射不变性;特征描述子;描述子计算过程: 将每个图像块分成4x4个子块 在每个子块内计算方向梯度直方图 (8个参考方向) 最终生成的描述子: 4x4x8 = 128 维;描述子计算过程: 将每个图像块分成4x4个子块 在每个子块内计算方向梯度直方图 (8个参考方向) 最终生成的描述子: 4x4x8 = 128 维 与直接用像素值相比的优势 梯度对于光照变化不敏感 实现了对于小变化的鲁棒性, 仍然保留了空间信息 ;特征匹配;特征空间内外点的排除;外点的处理;RANSAC;RANSAC example: Translation;;;;RANSAC的问题;Hough transform;Hough transform;假如提取的特征具有尺度和旋转不变性 这样单个特征匹配就能提供一种可能的对准 (translation, scale, orientation) 当然这种对准是不可靠的 解决办法: 将各种可能的对准映射到Hough 空间中投票，选择得分最高的;基于几何不变量的标注;基于几何不变量的标注;仿射变换的处理;单应性-Homography;应用: 全景拼接;单应性拟合;单应性拟合; 单应性方程;直接线性变换;Example: Recognising Panoramas;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Why “Recognising Panoramas”?;Overview;RANSAC for Homography;RANSAC for Homography;RANSAC for Homography;Probabilistic model for verification;Finding the panoramas;Finding the panoramas;Finding the panoramas;Finding the panoramas;Parameterise each camera by rotation and focal length This gives pairwise homographies;Bundle Adjustment;Bundle Adjustment;Multi-band Blending;Results;增强现实（Augmented Reality）;增强现实;位姿估计----增强现实;第一次作业: 图像拼接(任选);第一次作业: 增强现实（任选）