MVG读书笔记——单应矩阵估计这件小事(二)
来源:互联网 发布:北大生命科学院知乎 编辑:程序博客网 时间:2024/05/29 17:15
还是以两幅图像进行单应矩阵求解为例,上面讲到使用DLT算法一对对应点之间可以构成一个方程组
超定方程
实际情况下,我们得到的两幅图像的对应点往往多于4个点,从而可以得到矩阵
在此情况下,我们无法得到一个精确的解,只能得到一个近似解。为使得这个近似解尽量准确,我们需要建立一个评判标准,称为损失函数
代数误差
很自然的一个想法是去最小化
这个问题的求解可以通过求解
至此我们在有噪声情况下得到了多于4点匹配情况的解。使用这种损失函数称为代数距离。向量
假设一对对应点
更一般的,对任意两个向量
给定一系列的对应点,
代数距离的优点是形式简单,易于计算,可以看到最小化代数误差基本可以看成DLT算法的一个延伸。它的缺点是没有几何学和统计学的意义,某些情况下不能得到最好的效果。因此它可以用作初值求解。
几何误差
对图像中观测到的一点我们记为x,它的实际坐标我们记为
单幅图像中有噪声时的误差
假设原图像测量很精确,即
对称转移误差
由于两幅图像中的测量点
第一项为第一幅图中的转移误差,第二项为第二幅图中的转移误差。显然估计出的单应矩阵
重投影误差
上面可以看到,无论是将x投影到x’还是将x’投影回x得到的投影点均不与观测值重合。由此我们希望通过寻找一对点
为找到这几个量我们需要最小化的误差函数为
重投影误差的几何诠释
点对
给定一个
这恰好就是重投影误差的公式。找到
进一步的,
总结一下,重投影误差即在
Sampson误差
接着上一节,投影误差虽然精确,但是很复杂。我们需要同时估计单应矩阵和对应点,换言之我们需要同时估计
假设
找到向量
对该问题我们使用拉格朗日乘子法进行求解,需要找到
此时我们已经消除了
不管是J还是ϵ都只与H中的元素相关,而与
极大似然估计
极大似然估计在只有一张图像有噪声时等价于转移误差,在两张图像都有噪声时等价于重投影误差。给出了以上两种误差的概率学的诠释。具体推导过程不多赘述。
- MVG读书笔记——单应矩阵估计这件小事(二)
- MVG读书笔记——单应矩阵估计这件小事(一)
- MVG读书笔记——单应矩阵估计这件小事(三)
- MVG读书笔记——单应矩阵估计这件小事(四)
- MVG读书笔记——射影变换的校正(二)
- MVG读书笔记——三维空间中的射影几何(二)
- MVG读书笔记——射影变换的校正(零)
- MVG读书笔记——射影变换的校正(一)
- MVG读书笔记——射影变换的校正(三)
- MVG读书笔记——三维空间中的射影几何(一)
- MVG读书笔记——几何变换
- MVG读书笔记——几何变换续
- 时间序列分析这件小事(二)--自回归
- MVG读书笔记——齐次坐标与射影几何
- MVG读书笔记——射影几何下的直线
- MVG读书笔记——射影几何下的二次曲线
- MVG读书笔记——三维空间中的欧氏变换
- MVG读书笔记——求解结果的评价
- CS50 2013-Week5 学习笔记
- 深入理解JAVA虚拟机读书笔记----类文件结构
- MyEclipse10安装详细过程加破解过程
- EL 表达式 基础
- 阿里云PAI深度学习TensorFlow图像识别例子完整流程及出错案例
- MVG读书笔记——单应矩阵估计这件小事(二)
- Android 高德地图上显示videoview被覆盖的问题
- cAdvisor介绍
- Nmap7.50安装与使用
- opensuse42.2切换阿里源
- WPF UserControl事件传递
- 想学Linux,但版本太多了,如Fedora、SuSE、Redhat、Ubuntu等,不免让人眼花缭乱,那么初学者该如何选择呢?
- Django 从零开始实现简单的restful应用
- Linux使用笔记