Съпоставяне на 2D точки

Ако обектът е разумно твърд и подравнен, просто автоматична корелация би свършила работа. Ако не, бих използвал RANSAC за оценка на трансформацията между обекта и шаблона (изглежда, че имате точките за функция). Моля, предоставете някои подробности за проблема.

Редактиране: RANSAC (Консенсус на случаен принцип) може да се използва във вашия случай. Помислете за ненужните точки във вашия шаблон като за шум (фалшиви характеристики, открити от детектор на характеристики) - те са контурите. RANSAC може да се справи с контури, тъй като избира малко подмножество от характерни точки (минималното количество, което може да инициира вашия модел) на случаен принцип, инициира модела и изчислява колко добре вашият модел съответства на дадените данни (колко други точки в шаблона съответстват на вашите други точки). Ако изберете грешно подмножество, тази стойност ще бъде ниска и ще премахнете модела. Ако изберете правилното подмножество, то ще бъде високо и можете да подобрите съответствието си с LMS алгоритъм.

Трябва ли да съпоставите червените правоъгълници? Оригиналното изображение съдържа четири черни правоъгълника в ъглите, които изглеждат като направени за съвпадение. Мога надеждно да ги намеря с 4 реда код на Mathematica:

lotto = [source image]
lottoBW = Image[Map[Max, ImageData[lotto], {2}]]

Това отнема max(R,G,B) за всеки пиксел, т.е. филтрира червения и жълтия печат (повече или по-малко). Резултатът изглежда така:

След това просто използвам LoG филтър, за да намеря тъмните петна и да потърся локални максимуми в резултатното изображение

lottoBWG = ImageAdjust[LaplacianGaussianFilter[lottoBW, 20]]
MaxDetect[lottoBWG, 0.5]

Резултат:

Разглеждали ли сте пробата descriptor_extractor_matcher.cpp на OpenCV ? Тази проба използва RANSAC за откриване на хомографията между двете входни изображения. Предполагам, че когато казвате обвиване, всъщност имате предвид изкривяване? Ако искате да изкривите изображението с хомографската матрица, която откриете, погледнете warpP перспектива функция. И накрая, ето няколко добри урока, използващи различните детектори на функции в OpenCV.

РЕДАКТИРАНЕ: Може да нямате SURF функции, но със сигурност имате характеристики точки с различни класове. Съвпадението, базирано на функции, обикновено се разделя на две фази: откриване на характеристики (което вече сте направили) и извличане, което ви е необходимо за съпоставяне. Така че можете да опитате да конвертирате функциите си в KeyPoint и след това извършване на извличане на функции и съпоставяне. Ето малък кодов фрагмент за това как можете да направите това:

typedef int RED_TYPE = 1;
typedef int GREEN_TYPE = 2;
typedef int BLUE_TYPE = 3;
typedef int PURPLE_TYPE = 4;

struct BenFeature
{
    Point2f pt;
    int classId;
};

vector<BenFeature> benFeatures;

// Detect the features as you normally would in addition setting the class ID

vector<KeyPoint> keypoints;
for(int i = 0; i < benFeatures.size(); i++)
{
    BenFeature bf = benFeatures[i];
    KeyPoint kp(bf.pt,
                10.0, // feature neighborhood diameter (you'll probaby need to tune it)
                -1.0,  // (angle) -1 == not applicable
                500.0, // feature response strength (set to the same unless you have a metric describing strength)
                1, // octave level, (ditto as above)
                bf.classId // RED, GREEN, BLUE, or PURPLE.
                );
    keypoints.push_back(kp);
}

// now proceed with extraction and matching...

Може да се наложи да настроите силата на реакция така, че да не бъде ограничена от фазата на извличане. Но се надяваме, че това е илюстративно за това, което можете да опитате да направите.

Следвай тези стъпки:

1. Съпоставете точки или характеристики в две изображения, това ще определи вашата опаковка;
2. Определете каква трансформация търсите за вашата опаковка. Най-общият би бил хомография (вижте cv::findHomography()), а по-малко общият би бил прост превод (използвайте cv::matchTempalte()). Междинният случай би бил транслация по x, y и ротация. За това написах бърза функция, която е по-добра от Homography, тъй като използва по-малко степени на свобода, като същевременно оптимизира правилните показатели (квадратни разлики в координатите): https://stackoverflow.com/a/18091472/457687
3. Ако смятате, че съвпаденията ви имат много извънредни стойности, използвайте RANSAC в горната част на вашата стъпка 1. По принцип трябва произволно да изберете минимален набор от точки, необходими за намиране на параметри, да решите, да определите вътрешните стойности, да решите отново, като използвате всички вътрешни стойности и след това да повторите опитите за да подобрите текущото си решение (увеличете броя на inliers, намалете грешката или и двете). Вижте Wikipedia за алгоритъма RANSAC: http://en.wikipedia.org/wiki/Ransac