Laboratorio de correspondencias — filtros, inliers y verdad conocida

Compara las líneas

Guarda el caso inicial como A y compara correspondencias sin filtrar, rotación, escala o patrones como B. Círculos azules y líneas continuas: aceptados y verdaderos; cruces moradas y líneas continuas: aceptados pero falsos. Puntos grises: rechazo por descriptor; trazos naranjas: rechazo geométrico. En móvil las imágenes se apilan. Restablecer carga los valores iniciales; compartir reproduce los ajustes actuales, no A.

De puntos a descriptores

El detector Shi–Tomasi compartido selecciona hasta 80 puntos por imagen. Cada descriptor es un parche gris válido de 9×9 píxeles, bruto o centrado y normalizado en L2. La distancia es euclídea L2. El filtro de razón necesita dos vecinos y exige estrictamente d1 < límite × d2; una segunda distancia cero falla. El filtro mutuo exige vecinos más próximos recíprocos. Normalizar puede compensar una ganancia sin recorte, pero no ofrece invariancia a giro o escala. No es ORB ni SIFT.

Geometría y verdad conocida

La verificación opcional estima una semejanza: traslación, rotación y escala uniforme, sin cizalla ni perspectiva. Prueba exhaustivamente hipótesis de dos pares, exige al menos tres apoyos, reajusta una vez y comprueba residuos en píxeles de destino. Con menos de tres candidatos o sin modelo válido no acepta nada. Desactivada, acepta lo que pase los filtros de descriptor; las métricas del modelo quedan indefinidas.

La razón de inliers divide los inliers del modelo por los candidatos filtrados. La fracción verdadera de los aceptados usa por separado la transformación conocida y una tolerancia fija de 3 píxeles. El RMS verdadero mide errores de posición; el del modelo mide residuos. El RMS de cuadrícula compara las transformaciones en una cuadrícula visible fija. Un denominador vacío muestra —. Un modelo erróneo puede tener residuos pequeños: lo demuestra el caso de 30°. Un patrón repetido no prueba identidad de objeto.

Ejemplos guardados

Son resultados calculados con los preajustes incluidos. Se reutilizan imágenes, máscaras y transformaciones del laboratorio de extracción: muestreo bilineal, promedio cuadrado, ganancia, ruido uniforme fijo y recorte. Los grises no son luminancia física; la reducción no tiene prefiltro antialiasing. Las fuentes detallan umbrales, empates, máscaras y cuadrícula. El JSON conserva píxeles y cada par propuesto.

Diagram 1 · Use the button to switch views

Seguir aprendiendo

• Laboratorio de extracción
• Teoría del seguimiento de puntos
• Introducción a Visual SLAM
• Fuentes, modelo y pruebas de referencia
• Métricas guardadas en JSON
• Referencia de correspondencias OpenCV

Sigue estos puntos entre dos imágenes en el Lab de flujo óptico.

Lab de brillo y luminancia — exposición, gamma y recorte