Contents — find the section you need

Change parameters and verify

Open the panel, then press Run to load Python. You can stop execution and reset parameters. Results are computed on this device. No Python installation is required.

Local execution steps below are optional for reproducing the source results; they are not required for the browser experiment.

The experiment controls are in English.

Open experiment panel in a new tab

Download reproduction source

대응선 비교하기

기본 결과를 A로 저장한 뒤 필터 없는 매칭, 회전, 축소 또는 반복 무늬를 B로 비교합니다. 파란 원과 실선은 채택·정답, 보라색 ×와 실선은 채택·오답입니다. 회색 점선은 기술자 필터 제외, 주황 파선은 기하 단계 제외입니다. 모바일에서는 영상을 세로로 놓습니다. 초기화는 기본값을 복원하고 공유는 저장된 A가 아닌 현재 입력만 재현합니다.

점에서 기술자로

공유 Shi–Tomasi 검출기가 영상마다 최대 80점을 선택합니다. 특징 기술자(descriptor)는 유효한 9×9 회색 패치이며 원값 또는 평균 제거 후 L2 정규화를 선택합니다. 거리는 유클리드 L2입니다. 거리비 필터는 두 이웃과 엄격한 d1 < 한계 × d2를 요구하며 두 번째 거리가 0이면 제외합니다. 상호 최근접은 서로가 최근접 이웃이어야 합니다. 정규화는 클리핑 없는 밝기 이득을 처리할 수 있지만 회전·스케일 불변성은 없습니다. ORB나 SIFT가 아닙니다.

기하 모델과 참값

선택적 기하 검증은 평행이동·회전·균일 배율의 유사 변환을 추정하며 전단·원근은 포함하지 않습니다. 두 대응쌍의 가설을 전수 검사하고 최소 세 쌍의 지지를 요구한 뒤 한 번 재적합하여 대상 픽셀 잔차를 검사합니다. 후보가 세 쌍 미만이거나 유효 모델이 없으면 모두 제외합니다. OFF에서는 기술자 필터를 통과한 대응을 채택하며 모델 지표는 정의되지 않습니다.

모델 인라이어 비율은 인라이어 수를 기술자 필터 후 후보 수로 나눕니다. 채택된 대응의 정답 비율은 별도로 알려진 변환과 고정 3픽셀 허용오차로 판단합니다. 참값 RMS는 채택 대응의 위치 오차, 모델 RMS는 적합 잔차입니다. 격자 RMS는 화면 안의 고정 격자에서 추정·실제 변환을 비교합니다. 분모가 비면 —입니다. 잘못된 모델도 잔차가 작을 수 있으며 30° 프리셋이 이를 보여 줍니다. 반복 무늬로 객체의 동일성을 보장할 수 없습니다.

저장된 계산 예제

배포된 프리셋을 계산한 값입니다. 영상·마스크·변환은 추출 Lab을 재사용하며 쌍선형 보간, 사각 평균 블러, 이득, 고정 균일 잡음, 클리핑 순서입니다. 회색값은 물리적 휘도가 아니며 축소 전 앤티에일리어싱 필터도 없습니다. 소스에 임계값, 동점 처리, 유효 마스크와 격자를 정의했습니다. JSON에는 픽셀과 모든 대응 후보가 있습니다.

Diagram 1 · Use the button to switch views
원본과 대상 사이에서 계산한 대응선으로 채택된 쌍과 제외된 후보를 구분합니다.
프리셋 최근접 필터 후 채택 모델 인라이어 비율 채택 중 정답 비율
기본 22 11 11 100.0% 100.0%
30° 회전 22 6 3 50.0% 0.0%
30° · 임계값 6 px 22 6 5 83.3% 0.0%
반복 · 필터 없음 80 80 80 — 7.5%
반복 · 필터 적용 80 1 0 — —
텍스처 없음 0 0 0 — —

이어서 학습하기

광류 Lab에서 두 프레임 사이의 특징점 이동을 추적하세요.

이미지 밝기·휘도 Lab — 노출, 감마, 클리핑 비교

What to read next

특징점 추출 Lab특징점 추출 Lab — Harris와 Shi–Tomasi 비교Visual SLAM 개요Visual-SLAM 입문 — 카메라가 "내가 어디에 있지?"를 학습하는 방법"Continue the series특징점 추적 기초 — 프레임 간 동일한 지점을 놓치지 않는 방법