Opencv 如果在EstimaterialGidTransform或getAffineTransform中提供更多输入，会发生什么？

我使用的是大约两个100点的向量的变换，效果很好。 但无论如何，getAffineTransform不起作用

我知道findHomography使用RANSAC找到最佳矩阵，getPerspectiveTransform只需要4个点

我的问题是，如果我在EstimaterialGidTransform或getAffineTransform中提供更多输入，会发生什么

---

它是否只需要输入矩阵中的4个点？或者做一些RANSAC？

您提到的功能可以分为3种不同类型：

类型1:getAffineTransform和getPerspectiveTransform。给定一个平面上的3个点和另一个平面上的3个匹配点，可以计算这些平面之间的仿射变换。给定4个点，你们可以找到透视变换。这就是getAffineTransform和getPerspectiveTransform所能做的：它们需要3对和4对点，不多不少，并计算相关的变换。唯一的

类型2：EstimaterialGidTransform。如果无法获得绝对精度的点（通常是从图像中获取点时的情况），则需要3对以上的点来减少误差。越多越好（即准确度越高）。有不止一种方法可以定义要减少的错误，以及使用何种方法来查找最小错误。这个变换是最小化最小平方误差（我认为最流行的误差定义）。它通过求解方程组来实现这一点。如果您正好提供了3点，那么结果当然将与getAffineTransform的结果相同。您可以问，如果GetTransform可以完成它的工作，为什么我们需要OpenCV中的getAffineTransform。唉，这不是OpenCV中唯一的冗余

类型3：findHomography。这个更先进。它不仅可以处理点位置的错误，而且还可以处理异常值的存在。如果点之间存在一些错误的匹配，那么使用它们进行最小二乘误差估计将导致非常差的精度。它可以使用RANSAC或LMeDs测试可能的匹配，并消除这些异常值。它的工作原理类似于变换的多次迭代：为不同的点子集找到最小二乘匹配。如果您知道不存在异常值，则可以将“method”参数设置为0，它的工作方式与EstimaterialGidTransform类似—通过尝试最小化所有点匹配产生的最小二乘误差

编辑。感谢米卡的评论。

我想我的记忆力在捉弄我。我记得这个转换是通过OpenCV中的方程组实现的，但现在我检查了一下，发现米卡是对的。它确实使用了一些硬编码的RANSAC。。。很抱歉误导了你

对于那些仍然对封闭形式解决方案而非RANSAC感兴趣的人，这里是：

// find affine transformation between two pointsets (use least square matching)
static bool computeAffine(const vector<Point2d> &srcPoints, const vector<Point2d> &dstPoints, Mat &transf)
{
    // sanity check
    if ((srcPoints.size() < 3) || (srcPoints.size() != dstPoints.size()))
        return false;

    // container for output
    transf.create(2, 3, CV_64F);

    // fill the matrices
    const int n = (int)srcPoints.size(), m = 3;
    Mat A(n,m,CV_64F), xc(n,1,CV_64F), yc(n,1,CV_64F);
    for(int i=0; i<n; i++)
    {
        double x = srcPoints[i].x, y = srcPoints[i].y;
        double rowI[m] = {x, y, 1};
        Mat(1,m,CV_64F,rowI).copyTo(A.row(i));
        xc.at<double>(i,0) = dstPoints[i].x;
        yc.at<double>(i,0) = dstPoints[i].y;
    }

    // solve linear equations (for x and for y)
    Mat aTa, resX, resY;
    mulTransposed(A, aTa, true);
    solve(aTa, A.t()*xc, resX, DECOMP_CHOLESKY);
    solve(aTa, A.t()*yc, resY, DECOMP_CHOLESKY);

    // store result
    memcpy(transf.ptr<double>(0), resX.data, m*sizeof(double));
    memcpy(transf.ptr<double>(1), resY.data, m*sizeof(double));

    return true;
}

//查找两个点集之间的仿射变换（使用最小二乘匹配）
静态布尔计算函数（常量向量和srcPoints、常量向量和dstPoints、Mat和transf）
{
//健康检查
如果（（srcPoints.size（）<3）| |（srcPoints.size（）！=dstPoints.size（））
返回false；
//输出容器
转换创建（2，3，CV_64F）；
//填写矩阵
常量int n=（int）srcPoints.size（），m=3；
材料A（n，m，CV_64F）、xc（n，1，CV_64F）、yc（n，1，CV_64F）；
对于（int i=0；Iafar有人计算出，如果提供了3个以上的点，EstimaterialGidTransform会在内部使用某种RANSAC，但此RANSAC具有硬编码参数。此外，您可以使用参数
bool fullAffine
计算6自由度仿射变换
EstimaterialGidTransform
@Mika，您是对的。它使用RANSAC。至于“fullAffine”参数，默认情况下它设置为“true”，即它从3对或更多点计算仿射变换。对于线性方程优化解决方案，我想我有时可能需要它！作为您的新编辑，我们可以认为当由于使用了
RANSAC
，该点超过了3点。但是，当给定的点有一些错误的点时，我们通常会得到更糟糕的结果。为什么使用
DECOMP\u CHOLESKY
？