shape_based_matching
shape_based_matching copied to clipboard
meiqua
模糊图像怎样进行模板匹配
直接匹配似乎匹配不了
尝试了以下方法：
1，阈值分割（二值化），可以匹配到，精度也够，但阈值每次要手动调节，会出现问题；
2，Canny算子获取图像中的边缘，能够匹配到，但精度不够；
3，调节图像的对比度（采用了线性调节和非线性调节两种方式），能匹配到，匹配精度不够；
4，获取图像轮廓，匹配得分较低；
不做任何处理时，跟进程序内部，会显示特征点不够，而无法创建模板； 想了解一下，有没有什么比较简便的方法，可以让算法更容易创建模板，和进行匹配，谢谢
Detector(int num_features, std::vector<int> T, float weak_thresh = 30.0f, float strong_thresh = 60.0f);
可以调低阈值试试，第三个是匹配时的阈值，第4个是训练时的。
@meiqua 调低了第四个参数，能够匹配到了，精度也很好，谢谢！ 调低训练阈值后，创建模板时能够找到到更多的特征点了，这样创建模板会轻松一些，估计是这个原理。
好的，这样一说就了解得比较透彻了，谢谢。 之前用来测试的图像，包括case1文件夹中的，和其他一些图像，图像都很清晰，所以模板匹配时很容易创建模板，也很容易匹配到。而实际拍摄的图像，由于各种原因（光源亮度、颜色，物体本身表面特性等），都可能造成图像模糊，那么，就有以下4种情况要考虑： 1，图像清晰； 2，图像模糊，但可以创建模板，也可以进行icp配准； 3，图像模糊，不可创建模板； 4，图像模糊，可以创建模板，但ICP处理不理想；
之前的方法，可以解决模糊图像创建模板的问题，不过仍有一些图像，在创建模板后，进行icp处理不是很理想（有的甚至icp处根本就没进行处理），因为对icp配准这块的原理和源码不是很熟悉，不知道有哪些地方可以进行改善，能否指点一二，谢谢！
测试图像：
好的，上午用模糊图像测试了一下，有改善，icp可以起作用了，不过精度略有不足； void init_Scene_kdtree_cpu(cv::Mat dx, cv::Mat dy, KDTree_cpu& kdtree, float max_dist_diff = 4.0f, float low_thresh = 30, float high_thresh = 60); 然后考虑在detector创建时阈值已经调低了(10,30)，那么init_Scene_kdtree_cpu是否也要相应调低一些，于是就把low_thresh和high_thresh也调低了（10，30）,这样出来的数据就比较准确了； 虽然icp的原理仍不大懂，谢谢了
查看了一下源码，detector构造函数和init_Scene_kdtree_cpu函数，对两个阈值的使用是不一样的，前者用来寻找特征点，并进行筛选，后者用来做canny算子的参数，不过，粗略看了一下icp相关论文，似乎icp配准的时候，待配准平面也要找到一些特征点，这样才能够对应上，当然具体的做法就不清楚了。 目前要调的参数比较多，如果detector构造函数中的weak_threshold和strong_threshold和 init_Scene_kdtree_cpu函数中的阈值可以通用，用起来就要简便一些。 scene.init_Scene_kdtree_cpu(m_detector->dx_, m_detector->dy_, kdtree, 4, m_detector->weak_thresh(), m_detector->strong_thresh()); 不知道这样用会不会有潜在问题。
分开是为了两部分不要耦合太多。strong_thresh在这里没问题；weak_thresh是训练时候用的，跟检测时关系不大，从意义上来说最好改成strong_thresh/2.
看了一下源码，不知道理解得是否正确， scene.init_Scene_kdtree_cpu是通过处理图像构建场景，在这里就提取了一些点，作为目标点集； cuda_icp::RegistrationResult result = cuda_icp::ICP2D_Point2Plane_cpu(model_pcd, scene); 这里是用模板的特征点集和图像的点集做配准，采用的是icp算法中点到面配准的方式； 所以，之前我遇到的问题：icp没有发生作用，其实是初始化的时候遇到的；scene构造是没有获得足够的点造成的； scene构造的点集从detector获得，detector是从原始图像高斯平衡然后用sobel算子提取边缘获得处理后的图像；