Python RANSAC算法在cv2.FindHomography中使用了哪些内联线来寻找单应矩阵？

1） OpenCV中的RANSAC算法如何在异常值上选择一个内联值？我假设它计算了匹配的关键点之间的总体最小二乘匹配

2） 我完全知道，除了H矩阵，cv2.FindHomography还输出掩模。从这个掩码中，匹配的关键点是1，被认为是内点，而0被认为是离群点。但是RANSAC算法选择哪个内联线来查找cv2.FindHomography输出的最终H单应？找到H矩阵是否考虑了所有这些因素

政府没有正确解释这两个问题

findHomography文档中的参数描述了内部变量与异常值：

对于1），RANSAC计算观察到的投影，

dstPoint_i

，以及用候选单应性

H

计算的

srcPoint_i

的投影之间的误差（向量范数）。然后它只做一个简单的阈值检查。用户可以将ransacreprojectthreshold设置为您认为最适合您的数据的任何值。如果是在像素坐标系中，则只需设置像素距离中的最大误差，即可将某个点视为内联线。任何误差较大的都被视为异常值

对于2），RANSAC算法将简单地选择H矩阵，该矩阵根据您设置的阈值最大化内联数。因此，它返回给您的掩码是具有最大内联数的集合

---

这有意义吗？如果您感兴趣，它看起来不会在随机样本大小、迭代次数等方面为您提供大量选项。

我很确定输出参数“mask”会直接告诉您哪些点是内联点，哪些点是离群点。感谢您的回复@doggie_呼吸，我无法理解的是h的一部分。难道H不应该由内线本身建立吗？在给定的方程中，H矩阵的初始值是多少？@CharlesB，当然。对于RANSAC，您可以从src/dest点中选择一个随机子集，并直接从该样本计算H，如从。H用于计算集合中所有点的投影误差，并且使用上面的等式确定内边界。然后您只需迭代该示例/检查，并获取具有最大内联数的H。这有意义吗？这可能会有帮助。