如何适合随机点云上的点网格

我有一个带有点的二进制图像，我使用OpenCV的goodFeaturesToTrack获取，如Image1所示。如何适合随机点云上的点网格

我想适应的4个* 25点就可以了，比如网格上镜像2所示（并非所有的点都可见的图像，但它是一个普通的4个* 25点长方形）。

4×25点我的模型网格由参数化： 1 - 左上角的位置 2 - 与地平线矩形的倾斜下面的代码显示一个函数，它建立这样的模型。

这个问题似乎接近棋盘角落的问题。

我想知道如何将我的模型云点拟合到输入图像，并获得云的位置和角度。我可以很容易地测量两幅图像（输入图像和模型网格上的图像）之间的距离，但是我希望避免检查图像上的每个像素和角度以找出距离的最小值。

def ModelGrid(pos, angle, shape): 

    # Initialization of output image of size shape 
    table = np.zeros(shape) 

    # Parameters 
    size_pan = [32, 20]# Pixels 
    nb_corners= [4, 25] 
    index = np.ndarray([nb_corners[0], nb_corners[1], 2],dtype=np.dtype('int16')) 
    angle = angle*np.pi/180 

    # Creation of the table 
    for i in range(nb_corners[0]): 
     for j in range(nb_corners[1]): 
      index[i,j,0] = pos[0] + j*int(size_pan[1]*np.sin(angle)) + i*int(size_pan[0]*np.cos(angle)) 
      index[i,j,1] = pos[1] + j*int(size_pan[1]*np.cos(angle)) - i*int(size_pan[0]*np.sin(angle)) 

      if 0 < index[i,j,0] < table.shape[0]: 
       if 0 < index[i,j,1] < table.shape[1]: 
        table[index[i,j,0], index[i,j,1]] = 1 

    return table

来源

2017-05-05 Quentin Brzustowski

一个解决方案，我发现，它的工作原理相对较好如下：

首先，我创造一切积极像素的位置的指标，只是通过影像去。我将称这些像素角落。

然后我用这个指数来计算平均倾斜角度：对于每个角落，我寻找其他在某些区域足够接近的人，以定义一个十字。我管理每个像素以找到直接位于左侧，右侧，顶部和底部的像素。我使用这个十字来计算倾角，然后使用所有获得的倾角的中位数作为我的模型网格点的角度。

一旦我有了这个角度，我只需使用这个角度和每个角落的位置来建立一张桌子。优化功能测量两个图像上重合像素的数量，并返回最佳位置。

这种方式对大多数例子都很好，但返回的“最佳位置”必须是其中一个角，这并不意味着它对应于最佳位置......主要是如果网格的左上角在角落的云中失踪。

来源

2017-05-11 10:46:56

如何适合随机点云上的点网格

回答

相关问题