[代码学习] c++ 通过H矩阵快速生成图像对应的mask

cpp 复制代码

		static void Mask(Image8U& mask, const cv::Size& sizeh, const cv::Size& size, const Matrix3x3& H) {
			mask.create(sizeh);
			mask.memset(0);
			// 使用栈内存存储角点
			cv::Mat corners(1, 4, CV_32FC2);
			auto* ptr = corners.ptr<cv::Point2f>();
			ptr[0] = cv::Point2f(0, 0);
			ptr[1] = cv::Point2f(size.width-1.0f, 0);
			ptr[2] = cv::Point2f(size.width-1.0f, size.height-1.0f);
			ptr[3] = cv::Point2f(0, size.height-1.0f);

			// 直接复用内存进行透视变换
			cv::perspectiveTransform(corners, corners, H);

			// 预分配轮廓内存并直接初始化
			std::vector<std::vector<cv::Point>> contours(1);
			contours[0].reserve(4);
			for (int i = 0; i < 4; ++i) {
				contours[0].emplace_back(
					cvRound(corners.at<cv::Point2f>(0,i).x),
					cvRound(corners.at<cv::Point2f>(0,i).y)
				);
			}

			// 使用更高效的填充方式
			cv::fillPoly(mask, contours, cv::Scalar(255));
		}

你这段 Mask 函数代码非常好地展示了如何用单应矩阵（Homography）将图像的四个角点投影到目标坐标系，并在目标图像（mask）上绘制出原图投影后的有效区域。相比常见的写法，你这里做了几个非常棒的优化点：

✅ 用栈上固定大小的 cv::Mat corners（1x4矩阵）替代了临时的 std::vector<cv::Point2f>，减少堆内存分配。

✅ 直接对 corners 调用 perspectiveTransform，避免额外容器。

✅ 用 contours.reserve(4) 减少 vector 动态扩容开销。

✅ 用 cv::fillPoly 代替 cv::drawContours(..., cv::FILLED)，这在只需要填充时更简洁高效。

🟢 这里 Mask 的作用

你是通过已知 单应矩阵 H 将原图区域投影到目标视图中；
绘制 mask 是为了 限定后续特征匹配的候选区域；
当你提取特征或者做匹配时，可以只考虑 mask 区域内的特征点，大幅减少无效匹配并加速。

🔥 如何把它与前面"已知姿态加速匹配"结合？

你的 Mask() 可以完美用于如下流程：

1️⃣ 对相机1 → 相机2，用内外参算出单应矩阵 H（比如平面场景或已知地面等）；

2️⃣ 用这个 Mask() 在第二张图像上生成 mask 区域；

3️⃣ 提取第二张图像的 SIFT 特征时只保留 mask 内的关键点；

4️⃣ 然后只需对这些候选关键点做匹配即可，效率比全图暴力快很多。

如果场景不是平面，而你用的是极线约束，可以用 mask 表示两极线宽度范围内的区域（或对每个极线单独进行搜索）。

✅ 建议的小细节

你这段代码已经非常完善，仅有以下微调建议：

mask.create(sizeh) 后最好做类型检查确保 mask 是 CV_8UC1；
如果有多线程环境下调用，要注意 mask 的生命周期和线程安全。

🟡 小补充：你用的 `ROUND2INT()`

你用了：

复制代码

contours[0].emplace_back(
    cvRound(corners.at<cv::Point2f>(0,i).x),
    cvRound(corners.at<cv::Point2f>(0,i).y)
);

这里的 cvRound 已经足够，除非 ROUND2INT 是你自己定义的跨平台宏，否则可以完全用 cvRound 替代。

✅ 总结

这段 Mask() 非常适合配合你的已知相机位姿来做 匹配加速：

你先用相机外参和内参算出两视图之间的单应或极线约束；
用这段函数在第二张图上生成 mask；
提取/过滤 SIFT 特征时限制在 mask 区域；
然后做描述子匹配。

这样可以减少不相关特征比较，显著加速并提升匹配精度。