Сопоставление 2D-набора точек

Если объект достаточно жесткий и выровненный, простой автокорреляция поможет. Если нет, я бы использовал RANSAC, чтобы оценить преобразование между субъектом и шаблоном (похоже, у вас есть характерные точки). Пожалуйста, предоставьте некоторые подробности о проблеме.

Редактировать: в вашем случае можно использовать RANSAC (консенсус случайной выборки). Думайте о ненужных точках в вашем шаблоне как о шуме (ложные функции, обнаруженные детектором функций) — они являются контурами. RANSAC может работать с планировщиками, потому что он выбирает небольшое подмножество характерных точек (минимальное количество, которое может инициировать вашу модель) случайным образом, инициирует модель и вычисляет, насколько хорошо ваша модель соответствует заданным данным (сколько других точек в шаблоне соответствует вашей модели). другие моменты). Если вы выберете неправильное подмножество, это значение будет низким, и вы потеряете модель. Если вы выберете правильное подмножество, оно будет высоким, и вы сможете улучшить свое совпадение с помощью алгоритма LMS.

Вы должны соответствовать красным прямоугольникам? Исходное изображение содержит четыре черных прямоугольника по углам, которые кажутся созданными для сопоставления. Я могу надежно найти их с помощью 4 строк кода Mathematica:

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

Для этого требуется max(R,G,B) для каждого пикселя, т.е. он отфильтровывает красную и желтую печать (более или менее). Результат выглядит следующим образом:

Затем я просто использую фильтр LoG, чтобы найти темные пятна и найти локальные максимумы в результирующем изображении.

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

Результат:

Вы смотрели пример OpenCV descriptor_extractor_matcher.cpp? ? В этом образце используется RANSAC для обнаружения гомографии между двумя входными изображениями. Я предполагаю, что когда вы говорите обертывание, вы на самом деле имеете в виду деформацию? Если вы хотите деформировать изображение с помощью обнаруженной вами матрицы гомографии, взгляните на warpPerspectiveфункция. Наконец, здесь есть несколько хороших руководств по использованию различных детекторов функций в OpenCV.

РЕДАКТИРОВАНИЕ: у вас может не быть функций SURF, но у вас определенно есть точки функций с разными классами. Сопоставление на основе признаков обычно делится на две фазы: обнаружение признаков (которое вы уже сделали) и извлечение, необходимое для сопоставления. Итак, вы можете попробовать преобразовать свои функции в KeyPoint, а затем выполнение извлечения признаков и сопоставления. Вот небольшой фрагмент кода того, как вы можете это сделать:

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...

Возможно, вам потребуется настроить силу отклика таким образом, чтобы она не превышала пороговое значение на этапе извлечения. Но, надеюсь, это иллюстрирует то, что вы можете попытаться сделать.

Следуй этим шагам:

1. Сопоставьте точки или функции на двух изображениях, это определит вашу упаковку;
2. Определите, какое преобразование вы ищете для своей упаковки. Наиболее общим будет омография (см. cv::findHomography()), а менее общим будет простой перевод (используйте cv::matchTempalte()). Промежуточным случаем будет перемещение по x, y и вращение. Для этого я написал быструю функцию, которая лучше, чем гомография, поскольку она использует меньше степеней свободы, но при этом оптимизирует правильные метрики (квадрат разницы в координатах): https://stackoverflow.com/a/18091472/457687
3. Если вы считаете, что в ваших совпадениях много выбросов, используйте RANSAC поверх шага 1. В основном вам нужно случайным образом выбрать минимальный набор точек, необходимых для поиска параметров, решить, определить выбросы, снова решить, используя все выбросы, а затем повторить попытку. чтобы улучшить ваше текущее решение (увеличить количество вставок, уменьшить ошибку или и то, и другое). Алгоритм RANSAC см. в Википедии: http://en.wikipedia.org/wiki/Ransac