我正在构建一个基于 scikit-image 的全景代码。它非常标准，就像
1) 加载和灰度图像
2) ORB检测与匹配
3) RANSAC 单应性搜索（产生 3x3 矩阵）
4) 变形和拼接图像
这适用于我的图像。然而，为了让它在可接受的时间内工作，我必须为 ORB 缩小我的图像。 然后将派生的变换应用于缩小的图像会产生良好的结果，但将它们应用于未缩小的图像则不起作用。
供参考：缩放由 skimage.transform.rescale 以一个恒定比例完成，变换是 skimage.transform.ProjectiveTransform 类，变形由 skimage.transform.warp 完成
Q1) 在我的理解中，单应性只是按比例定义的。那么为什么我不能以不同的比例使用它们（如果在图像中心进行了缩放）
Q2) 有没有办法简单地缩放我的单应性？
【问题讨论】：
标签： python scikit-image panoramas
估计的单应性 H 是按比例定义的，即当应用于单应性向量 p = [x y z] 时，结果向量 Hp = [x' y' z'] 表示二维向量 [x'/z' y'/z']。因此，单应矩阵的任何缩放，比如kH，都会产生kHp = [kx' ky' kz'] 或二维等效[x'/z' y'/z']，与以前相同。
在您描述的场景中，您想要的是重新缩放转换，以便它可以应用于您的原始图像坐标，即使单应性是在按比例缩小的坐标上估计的。
所以，你可以这样做：
from skimage import transform as tf
import numpy as np
# Set up a fake homography as illustration
# This homography is estimated on the scaled down image,
# but we'd
estimated_tf = tf.ProjectiveTransform(np.arange(9).reshape((3, 3))/10)
print('Estimated:\n', estimated_tf.params)
S_down = tf.SimilarityTransform(scale=0.5)
S_up = tf.SimilarityTransform(scale=2)
full_tf = S_down + estimated_tf + S_up
print('On scaled down coordinates:', estimated_tf([1, 2]))
print('On full coordinates:', full_tf([2, 4]))
产量
Estimated:
[[ 0. 0.1 0.2]
[ 0.3 0.4 0.5]
[ 0.6 0.7 0.8]]
On scaled down coordinates: [[ 0.14285714 0.57142857]]
On full coordinates: [[ 0.28571429 1.14285714]]
【讨论】：