Построить граф в виде матрицы

[OmgZomg 1]

У меня в цикле строится гомография между парами снимков.

Как это оформить в граф? Желательно в матрицу смежности

for b in s.left_list[1:]:
        H = s.matcher_obj.match(a, b, 'left')

 

[Smorodov 569]

По горизонтали точки левого изображения, по вертикали правого, если соединяются то в пересечении 1 если нет, 0. 

Получите матрицу смежности. Если есть качество сопоставления, можно сделать взвешенный граф, вместо 0 и 1 задавать вес. 

[OmgZomg 1]

12 hours ago, Smorodov said:

По горизонтали точки левого изображения, по вертикали правого, если соединяются то в пересечении 1 если нет, 0. 

Получите матрицу смежности. Если есть качество сопоставления, можно сделать взвешенный граф, вместо 0 и 1 задавать вес. 

Благодарю! Можно пример кода? Желательно на Python   Особенно интересует этот момент "Если есть качество сопоставления, можно сделать взвешенный граф, вместо 0 и 1 задавать вес. ". Не могу пока никак сообразить как это закодить

[Smorodov 569]

Ну код крафтить мне лень )

Чтобы добыть ключевые точки, можно заюзать что то такое:

import numpy as np
import cv2
from matplotlib import pyplot as plt

img1 = cv2.imread('box.png',0)          # queryImage
img2 = cv2.imread('box_in_scene.png',0) # trainImage

# Initiate SIFT detector
sift = cv2.SIFT()

# find the keypoints and descriptors with SIFT
kp1, des1 = sift.detectAndCompute(img1,None)
kp2, des2 = sift.detectAndCompute(img2,None)

Есть 2 набора точек, у которых есть дескрипторы (многомерные точки), так вот, делаем двойной вложенный цикл.

И заполняем матрицу NxM, где N - количество точек первого изображения, а M - второго.

Элемент матрицы D[i,j] будет равен расстоянию между i-той и j-той точками (точнее их дескрипторами).

 

[OmgZomg 1]

Вот так сделал

 

	def match(self, i1, i2, direction=None):
		imageSet1 = self.getSURFFeatures(i1)
		imageSet2 = self.getSURFFeatures(i2)
		print("Direction : ", direction)
		matches = self.flann.knnMatch(
			imageSet2['des'],
			imageSet1['des'],
			k=2
			)
		good = []
		for i , (m, n) in enumerate(matches):
			if m.distance < 0.7*n.distance:
				good.append((m.trainIdx, m.queryIdx))

		if len(good) > 4:
			pointsCurrent = imageSet2['kp']
			pointsPrevious = imageSet1['kp']

			matchedPointsCurrent = np.float32(
				[pointsCurrent[i].pt for (__, i) in good]
			)
			matchedPointsPrev = np.float32(
				[pointsPrevious[i].pt for (i, __) in good]
				)

			H, s = cv2.findHomography(matchedPointsCurrent, matchedPointsPrev, cv2.RANSAC, 4)

			return H,sum(s) / len(s)

		return None

	def getSURFFeatures(self, im):
		gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
		kp, des = self.surf.detectAndCompute(gray, None)
		return {'kp':kp, 'des':des}
      
      
      
    N = len(img_list)
    adjacency_matrix = np.zeros((N, N))

        for i in range(N):
        for j in range(i + 1, N):
                out = s.matcher_obj.match(lst[i], lst[j], 'left')
                if out is not None:
                    H, s = out
                    if s >= 0.5:
                        adjacency_matrix[i, j] = 1
                        adjacency_matrix[j, i] = 1
    print('AM',adjacency_matrix)

 

[Smorodov 569]

Только расстояние между дескрипторами обратно пропорционально схожести точек. 

[OmgZomg 1]

1 hour ago, Smorodov said:

Только расстояние между дескрипторами обратно пропорционально схожести точек. 

Что Вы имеете ввиду? Где мне исправить?

 

[Smorodov 569]

Да не, все вроде верно, просто не внимательно  прочитал. 

Я думал вы в сторону hungarian-algorithm клоните )