• 操作系统：ubuntu22.04
• OpenCV版本：OpenCV4.9
• IDE:Visual Studio Code
• 编程语言：C++11

算法描述

找到两个平面之间的透视变换。
cv::findHomography 是 OpenCV 库中用于计算两幅图像之间单应性矩阵（Homography Matrix）的函数。单应性矩阵描述了两个平面之间的投影变换关系，它在计算机视觉中用于图像校正、拼接和增强现实等任务。

函数原型

Mat cv::findHomography	
(
	InputArray 	srcPoints,
	InputArray 	dstPoints,
	int 	method = 0,
	double 	ransacReprojThreshold = 3,
	OutputArray 	mask = noArray(),
	const int 	maxIters = 2000,
	const double 	confidence = 0.995 
)		

参数

• 参数srcPoints：原平面中点的坐标，可以是类型为 CV_32FC2 的矩阵或 vector。
• 参数dstPoints：目标平面中点的坐标，可以是类型为 CV_32FC2 的矩阵或 vector。
• 参数method：用于计算单应性矩阵的方法。可能的方法包括：
  • 0：常规方法，使用所有点，即最小二乘法。
  • RANSAC：基于RANSAC的稳健方法。
  • LMEDS：最小中值（Least-Median）稳健方法。
  • RHO：基于PROSAC的稳健方法。
• ransacReprojThreshold：仅用于 RANSAC 和 RHO 方法。这是允许的最大重投影误差，用于将一对点视为内点。也就是说，如果
  $$\Vert {\text{dstPoints}}_i-\text{convertPointsHomogeneous}(\text{H}\cdot {\text{srcPoints}}_i){\Vert }_2>\text{ransacReprojThreshold}$$
  则认为点 i 是离群点。如果 srcPoints 和 dstPoints 以像素为单位测量，则通常将此参数设置在1到10之间是有意义的。
• 参数mask：由稳健方法（如 RANSAC 或 LMEDS）设置的可选输出掩码。注意输入掩码值被忽略。
• 参数maxIters：RANSAC的最大迭代次数。
• 参数confidence：置信水平，介于0和1之间。

该函数找到并返回源平面和目标平面之间的透视变换矩阵$H$

$$s_i\left[\begin{array}{c}{x}_i^{\prime }\\ y_i^{\prime }\\ 1\end{array}\right]\sim H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right]$$
从而最小化反投影误差：
$$\sum _i{\left(\frac{x_i^{\prime }-(h_{11}{x}_i+h_{12}{y}_i+h_{13})}{h_{31}{x}_i+h_{32}{y}_i+h_{33}}\right)}^2+{\left(\frac{y_i^{\prime }-(h_{21}{x}_i+h_{22}{y}_i+h_{23})}{h_{31}{x}_i+h_{32}{y}_i+h_{33}}\right)}^2$$
如果 method 参数设置为默认值 0，则函数使用所有点对通过简单的最小二乘方案计算初始单应性估计。

然而，如果并非所有的点对（srcPoints_i, dstPoints_i）都符合刚性的透视变换（即存在一些离群点），这个初始估计将会较差。在这种情况下，你可以使用三种稳健方法之一。RANSAC、LMEDS 和 RHO 方法尝试许多不同的随机子集（每次四个点对，共线点对被丢弃），使用这个子集和简单的最小二乘算法估计单应性矩阵，然后计算所估计单应性的质量/优度（对于RANSAC来说是内点的数量，对于LMEDS来说是最小中值重投影误差）。最佳子集随后用于生成单应性矩阵的初始估计和内点/离群点的掩码。

无论是否使用稳健方法，计算出的单应性矩阵都会进一步优化（在稳健方法的情况下仅使用内点），以Levenberg-Marquardt方法减少重投影误差。

RANSAC 和 RHO 方法可以处理几乎任何比例的离群点，但需要一个阈值来区分内点和离群点。LMEDS 方法不需要任何阈值，但只有当内点超过50%时才能正确工作。最后，如果没有离群点且噪声较小，使用默认方法（method=0）。

该函数用于找到初始的内部和外部矩阵。单应性矩阵确定至一个尺度。因此，它被标准化以使$h_{33}=1$。需要注意的是，每当无法估计 H 矩阵时，将返回一个空矩阵。

代码示例

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main( int argc, char** argv )
{
    // 创建虚拟的匹配点数据（假设我们有4对匹配点）
    vector< Point2f > srcPoints = { Point2f( 56.0f, 65.0f ), Point2f( 368.0f, 52.0f ), Point2f( 28.0f, 387.0f ), Point2f( 389.0f, 390.0f ) };

    vector< Point2f > dstPoints = { Point2f( 0.0f, 0.0f ), Point2f( 300.0f, 0.0f ), Point2f( 0.0f, 300.0f ), Point2f( 300.0f, 300.0f ) };

    // 定义输出的单应性矩阵和掩码
    Mat homographyMatrix, mask;

    // 使用 RANSAC 方法计算单应性矩阵
    homographyMatrix = findHomography( srcPoints, dstPoints,
                                       RANSAC,   // 使用RANSAC方法
                                       3.0,      // 点到投影模型的最大重投影误差
                                       mask,     // 输出掩码
                                       2000,     // 最大迭代次数
                                       0.995 );  // 置信水平

    // 打印结果
    cout << "Homography Matrix:\n" << homographyMatrix << endl;

    // 打印哪些点被认为是内点
    cout << "Inliers mask:\n";
    for ( size_t i = 0; i < mask.total(); ++i )
    {
        if ( mask.at< uchar >( i ) )
        {
            cout << "Point " << i + 1 << " is an inlier." << endl;
        }
        else
        {
            cout << "Point " << i + 1 << " is an outlier." << endl;
        }
    }

    return 0;
}

运行结果

Homography Matrix:
[1.055873761296419, 0.09181510967794945, -65.09691276166618;
 0.04690100493754324, 1.125624118501043, -75.79202397907012;
 0.0001832514481695185, 0.0005133370013304123, 0.9999999999999999]
Inliers mask:
Point 1 is an inlier.
Point 2 is an inlier.
Point 3 is an inlier.
Point 4 is an inlier.