Python中的3D归一化互相关答案

【问题标题】：3D normalised cross-correlation in PythonPython中的3D归一化互相关
【发布时间】：2012-07-30 22:04:05
【问题描述】：

我目前正在使用从 Python 调用的 OpenCV 的 MatchTemplate 函数进行 2D 模板匹配。我希望将我的代码扩展到 3D，但找不到任何现有的 3D 互相关程序。有人可以帮忙吗？

【问题讨论】：

【解决方案1】：

您的意思是您当前正在图像中某处寻找已知对象，并且您目前只能处理正在仿射变换的对象（在 2D 平面上移动），但您希望能够处理是透视变换吗？

您可以尝试使用 SURF 或 SIFT 算法在您的参考图像和未知图像中查找特征：

def GetSurfPoints(image, mask)
    surfDetector = cv2.FeatureDetector_create("SURF")
    surfExtractor = cv2.DescriptorExtractor_create("SURF")
    keyPoints = surfDetector.detect(image, mask)
    keyPoints, descriptions = surfExtractor.compute(image, keyPoints)
    return keyPoints, descriptions

然后使用 FLANN 查找匹配点（这是来自 cv2 样本之一）：

def MatchFlann(desc1, desc2, r_threshold = 0.6):
    FLANN_INDEX_KDTREE = 1  # bug: flann enums are missing
    flann_params = dict(algorithm = FLANN_INDEX_KDTREE, trees = 4)
    flann = cv2.flann_Index(desc2, flann_params)
    idx2, dist = flann.knnSearch(desc1, 2, params = {}) # bug: need to provide empty dict
    mask = dist[:,0] / dist[:,1] < r_threshold
    idx1 = numpy.arange(len(desc1))
    matches = numpy.int32( zip(idx1, idx2[:,0]) )
    return matches[mask]

现在，如果您愿意，您可以使用 FindHomography 来找到对齐两个图像的转换：

referencePoints = numpy.array([keyPoints[match[0]].pt for match in matches])
newPoints = numpy.array([keyPoints[match[1]].pt for match in matches])
transformMatrix, mask = cv2.findHomography(newPoints, referencePoints, method = cv2.cv.CV_LMEDS)

然后您可以使用 WarpPerspective 和该矩阵来对齐图像。或者，您可以对之前找到的匹配点集执行其他操作。

【讨论】：