KOLANICH 0 Жалоба Опубликовано November 29, 2011 Нужно было совместить 2 и более картинок. То есть привести к такому виду, чтобы при наложении друг на друга они почти совпали. Картинки могут и будут немного отличаться, но во многом должны совпасть и хорошо наложиться друг на друга. Написал код. Работает корректно только если однородный фон и неизменны размеры. Первая картинка везде одинаковая : 1 img2=img1 на неоднородном фоне. После подбора пар: После применения трансформации: 2 на белом фоне, но чуть-чуть растянем горизонтально Похоже что: 1 преобразование неинвариантно 2 сравнение реализовано неверно (закомментированное "тупое в лоб" сравнение тоже ничего хорошего не даёт) По идее мой алгоритм как минимум не хуже, а как максимум лучше, чем этот. Лучше потому, что сложность меньше O(n*log n+2n) против O(n^2) . Так как же мне исправить мой алгоритм. Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
mrgloom 242 Жалоба Опубликовано November 30, 2011 Картинки могут и будут немного отличаться в чем отличаются картинки? Так как же мне исправить мой алгоритм. лучше фильтровать точки. задача называется image registration. Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
KOLANICH 0 Жалоба Опубликовано November 30, 2011 подскажите дескрипторы, которые мне подойдут лучше Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах
mrgloom 242 Жалоба Опубликовано December 1, 2011 думаю что не принципиально. все равно надо знать как работает алгоритм и как крутить его параметры или проще попробовать на опыте. Harris detector find points at a fixed scale. Harris Laplace detector uses the scale-adapted Harris function to localize points in scale-space. It then selects the points for which the Laplacian-of-Gaussian attains a maximum over scale. Hessian Laplace localizes points in space at the local maxima of the Hessian determinant and in scale at the local maxima of the Laplacian-of-Gaussian. Harris/Hessian Affine detector does an affine adaptation of the Harris/Hessian Laplace using the second moment matrix. Maximally Stable Exremal Regions detector finds regions such that pixels inside the MSER have either higher (bright extremal regions) or lower (dark extremal regions) intensity than all the pixels on its outer boundary. Uniform Detector(unif) - Select 500 points uniformly on the edge maps by rejection sampling. Scale Invariant Feature Transformation A local image is path is divided into a grid (typically 4x4) and a orientation histogram is computed for each of these cells. Shape Contexts computes the ditance and orientaion histogram of other points relative to the interst point. Image Moments These compute the descriptors by taking various higher order image moments. Jet Decriptors These are essentially higher order derivatives of the image at the interest point Gradient Location and Orientaiton Histogram As the name suggests it constructs a feature out of the image using the Histogram of location and Orientation in of points in a window around the interest point. Geometric Blur These compute the average of the edge signal response over small tranformations. Tunable parameters include the blur gradient( = 1), base blur ( = 0.5) and scale multiplier (s = 9). Поделиться сообщением Ссылка на сообщение Поделиться на других сайтах