Skip to main content
 首页 » 编程设计

python之用 python 估计欧几里德变换

2024年10月25日1252php

我想做一些类似于图像分析中使用特征的标准“图像配准”的事情。

我想找到将一组二维坐标 A 转换为另一组 B 的最佳转换。 但我想添加一个额外的约束,即转换是“刚性/欧几里德转换​​”,这意味着没有缩放,只有平移和旋转。 通常允许缩放我会这样做:

 from skimage import io, transform 
 destination = array([[1.0,2.0],[1.0,4.0],[3.0,3.0],[3.0,7.0]]) 
 source = array([[1.2,1.7],[1.1,3.8],[3.1,3.4],[2.6,7.0]]) 
 T = transform.estimate_transform('similarity',source,destination) 

我相信引擎盖下的estimate_transform 只是解决了最小二乘问题。 但我想添加不缩放的约束。

skimage 或其他包中是否有解决此问题的功能? 可能我需要用 scipy、CVXOPT 或 cvxpy 编写自己的优化问题。 对表述/实现此优化问题有何帮助?

编辑: 我的实现感谢 Stefan van der Walt Answer

from matplotlib.pylab import * 
from scipy.optimize import * 
 
def obj_fun(pars,x,src): 
    theta, tx, ty = pars 
    H = array([[cos(theta), -sin(theta), tx],\ 
         [sin(theta), cos(theta), ty], 
         [0,0,1]]) 
    src1 = c_[src,ones(src.shape[0])] 
    return sum( (x - src1.dot(H.T)[:,:2])**2 ) 
 
def apply_transform(pars, src): 
    theta, tx, ty = pars 
    H = array([[cos(theta), -sin(theta), tx],\ 
         [sin(theta), cos(theta), ty], 
         [0,0,1]]) 
    src1 = c_[src,ones(src.shape[0])] 
    return src1.dot(H.T)[:,:2] 
 
res = minimize(obj_fun,[0,0,0],args=(dst,src), method='Nelder-Mead') 

请您参考如下方法:

有了这个额外的约束,您将不再解决线性最小二乘问题,因此您将不得不使用 SciPy 的最小化函数之一。最小化的内部将建立一个矩阵 H:

H = np.array([[np.cos(theta), -np.sin(theta), tx], 
              [np.sin(theta), np.cos(theta), ty], 
              [0, 0, 1]]) 

然后,你会计算距离

|x_target - H.dot(x_source)| 

对所有数据点进行误差求和。现在,您有一个可以发送到最小化函数的成本函数。您可能还想利用 RANSAC(以 skimage.measure.ransac 形式提供)来拒绝异常值。