鲁棒估计

详细描述

函数
double	cv::sfm::fundamentalFromCorrespondences7PointRobust (InputArray x1, InputArray x2, double max_error, OutputArray F, OutputArray inliers, double outliers_probability=1e-2)
	稳健地估计两个 2D 点数据集（图像坐标空间）之间的基础矩阵。
double	cv::sfm::fundamentalFromCorrespondences8PointRobust (InputArray x1, InputArray x2, double max_error, OutputArray F, OutputArray inliers, double outliers_probability=1e-2)
	稳健地估计两个 2D 点数据集（图像坐标空间）之间的基础矩阵。

函数文档

fundamentalFromCorrespondences7PointRobust()

double cv::sfm::fundamentalFromCorrespondences7PointRobust	(	InputArray	x1,
		InputArray	x2,
		double	max_error,
		OutputArray	F,
		OutputArray	inliers,
		double	outliers_probability = 1e-2 )

#include <opencv2/sfm/robust.hpp>

稳健地估计两个 2D 点数据集（图像坐标空间）之间的基础矩阵。

参数

x1	视图 1 中 2D 点的 2xN 输入数组。
x2	视图 2 中 2D 点的 2xN 输入数组。
max_error	最大误差（以像素为单位）。
F	输出 3x3 基础矩阵，使得 \(x_2^T F x_1=0\)。
inliers	输出 1xN 向量，其中包含检测到的内点的索引。
outliers_probability	离群值概率（在 ]0,1[ 中）。迭代次数使用以下公式控制：\(k = \frac{log(1-p)}{log(1.0 - w^n )}\)，其中 \(k\)、\(w\) 和 \(n\) 分别是迭代次数、内点比例和所选独立样本的最小数量。此值越高，函数选择随机样本的次数就越少。

基本求解器依赖于 7 点解决方案。返回与解决方案 F 相关的最佳误差（以像素为单位）。

fundamentalFromCorrespondences8PointRobust()

double cv::sfm::fundamentalFromCorrespondences8PointRobust	(	InputArray	x1,
		InputArray	x2,
		double	max_error,
		OutputArray	F,
		OutputArray	inliers,
		double	outliers_probability = 1e-2 )

#include <opencv2/sfm/robust.hpp>

稳健地估计两个 2D 点数据集（图像坐标空间）之间的基础矩阵。

参数

x1	视图 1 中 2D 点的 2xN 输入数组。
x2	视图 2 中 2D 点的 2xN 输入数组。
max_error	最大误差（以像素为单位）。
F	输出 3x3 基础矩阵，使得 \(x_2^T F x_1=0\)。
inliers	输出 1xN 向量，其中包含检测到的内点的索引。
outliers_probability	离群值概率（在 ]0,1[ 中）。迭代次数使用以下公式控制：\(k = \frac{log(1-p)}{log(1.0 - w^n )}\)，其中 \(k\)、\(w\) 和 \(n\) 分别是迭代次数、内点比例和所选独立样本的最小数量。此值越高，函数选择随机样本的次数就越少。

基本求解器依赖于 8 点解决方案。返回与解决方案 F 相关的最佳误差（以像素为单位）。