特征匹配 选取 reference image 上的 公共点 及其相应匹配

现在我有 N 张图像,选取第 1 张图像作为 reference image,剩下的图像都要跟第 1 张图像做 feature matching。一共做 N-1 次 feature matching。每次 feature matching 之后,都能得到两个输出,分别是 参与 匹配的两张图像对应的匹配点kp0_numpy, kp1_numpy。

N-1 次 feature matching,就会得到两个 list,input1 跟 input2,分别对应N-1个kp0_numpy跟N-1个kp1_numpy。

现在我需要找到 N-1 个 kp0_numpy 共有的 keypoints,以及这些keypoints 在 每个 kp1_numpy 对应的 keypoints。 下面的 FindCommonUV 函数可以做到。

CombineFeaturePointArrays 函数则是实现将 N-1 个 kp0_numpy 共有的 keypoints,以及这些keypoints 在 每个 kp1_numpy 对应的 keypoints 拼凑成 一个 [2*N, num_feature ] 形状的 np.darray。其中 num_feature 是 公共 keypoints的数目,N 是 图像数目。

函数 FindCommonUV 的输入 input1 跟 input2 是两个 keypoints 的 list。 input1 对应 reference image

python 复制代码
def CombineFeaturePointArrays(common_points, matched_points_list):
    # 将common_points和matched_points_list中的数组转置
    transposed_common_points = common_points.T
    transposed_matched_points = [feature_array.T for feature_array in matched_points_list]
    result_array = np.vstack([transposed_common_points, *transposed_matched_points])

    return result_array

def FindCommonUV(input1, input2):
    common_points = None
    matched_points_list = []

    # Find common points in the first pair of arrays
    common_points = np.array([point for point in input1[0] if all( np.any(np.all(point == sublist, axis=1)) for sublist in input1[1:] )])

    # Iterate over input1 and input2 simultaneously
    for i, (kp0, kp1) in enumerate(zip(input1, input2)):
        # Find indices of common points in input1[i]
        indices = [np.where((kp0 == point).all(axis=1))[0][0] for point in common_points]
        # Extract corresponding points from input2[i]
        matched_points = kp1[indices]
        
        # Append to matched_points_list
        matched_points_list.append(matched_points)

    return common_points, matched_points_list

def FilterKeypoints(kp0_numpy, kp1_numpy, H_original, W_original):
    # 找到超出范围的索引
    invalid_indices_kp0 = np.where((kp0_numpy[:, 0] < 0.) | (kp0_numpy[:, 0] >= W_original) |
                                   (kp0_numpy[:, 1] < 0.) | (kp0_numpy[:, 1] >= H_original))[0]
    
    #print(invalid_indices_kp0)
    invalid_indices_kp1 = np.where((kp1_numpy[:, 0] < 0.) | (kp1_numpy[:, 0] >= W_original) |
                                   (kp1_numpy[:, 1] < 0.) | (kp1_numpy[:, 1] >= H_original))[0]
    #print(invalid_indices_kp1)
    # 合并两个数组,去重
    invalid_indices = np.unique(np.concatenate((invalid_indices_kp0, invalid_indices_kp1)))

    # 删除超出范围的点
    kp0_filtered = np.delete(kp0_numpy, invalid_indices, axis=0)
    kp1_filtered = np.delete(kp1_numpy, invalid_indices, axis=0)

    return kp0_filtered, kp1_filtered
相关推荐
大写-凌祁19 分钟前
零基础入门深度学习:从理论到实战,GitHub+开源资源全指南(2025最新版)
人工智能·深度学习·开源·github
焦耳加热43 分钟前
阿德莱德大学Nat. Commun.:盐模板策略实现废弃塑料到单原子催化剂的高值转化,推动环境与能源催化应用
人工智能·算法·机器学习·能源·材料工程
深空数字孪生1 小时前
储能调峰新实践:智慧能源平台如何保障风电消纳与电网稳定?
大数据·人工智能·物联网
wan5555cn1 小时前
多张图片生成视频模型技术深度解析
人工智能·笔记·深度学习·算法·音视频
格林威2 小时前
机器视觉检测的光源基础知识及光源选型
人工智能·深度学习·数码相机·yolo·计算机视觉·视觉检测
今天也要学习吖2 小时前
谷歌nano banana官方Prompt模板发布,解锁六大图像生成风格
人工智能·学习·ai·prompt·nano banana·谷歌ai
Hello123网站2 小时前
glean-企业级AI搜索和知识发现平台
人工智能·产品运营·ai工具
AKAMAI2 小时前
Queue-it 为数十亿用户增强在线体验
人工智能·云原生·云计算
索迪迈科技2 小时前
INDEMIND亮相2025科技创变者大会,以机器人空间智能技术解锁具身智能新边界
人工智能·机器人·扫地机器人·空间智能·陪伴机器人
栒U3 小时前
一文从零部署vLLM+qwen0.5b(mac本地版,不可以实操GPU单元)
人工智能·macos·vllm