网站空间管理权限,装修采购网,西安seo霸屏,买了域名后怎么建立网址发表日期#xff1a;2023年6月23日 项目地址#xff1a;https://github.com/cvg/LightGlue https://github.com/cvg/glue-factory/
LightGlue是一个在精度上媲美Superglue#xff0c;但在速度上比Superglue快一倍的模型。通过博主实测#xff0c;LightGlue的配准效果比Su…发表日期2023年6月23日 项目地址https://github.com/cvg/LightGlue https://github.com/cvg/glue-factory/
LightGlue是一个在精度上媲美Superglue但在速度上比Superglue快一倍的模型。通过博主实测LightGlue的配准效果比Superglue好LightGlue配准后的结果错误点更少同时提取的重叠区域更精准。
基于SuperpointSuperglue 提取重叠区域的代码可以参考 https://blog.csdn.net/a486259/article/details/129093084
1、lightglue与superglue的对比
lightglue与superglue相比在同样的精度下速度要快3倍。 lightglue的结构设计如下是通过组层移除低匹配度点的策略进行预测
在多个任务中对比可以发现lightglue比superglue略胜一筹占微弱优势 但在速度上明显可以看到Lightglue明显比superglue快不少能减少50%的耗时。
2、lightglue使用效果
下载LightGlue项目 或者执行
git clone https://github.com/cvg/LightGlue.git cd LightGlue
python -m pip install -e .执行以下代码进行配准尝试
# If we are on colab: this clones the repo and installs the dependencies
from pathlib import Path# if LightGlue not in Path.cwd().name :
# !git clone --quiet https://github.com/cvg/LightGlue/
# %cd LightGlue
# !pip install --progress-bar off --quiet -e .from lightglue import LightGlue, SuperPoint, DISK
from lightglue.utils import load_image, rbd
from lightglue import viz2d
import torchtorch.set_grad_enabled(False)
images Path(../assets)device torch.device(cuda if torch.cuda.is_available() else cpu) # mps, cpu
#官方默认是2048个点
extractor SuperPoint(max_num_keypoints700).eval().to(device) # load the extractor
matcher LightGlue(featuressuperpoint).eval().to(device)image0 load_image(images / b1.png)
image1 load_image(images / b2.png)feats0 extractor.extract(image0.to(device))
feats1 extractor.extract(image1.to(device))
matches01 matcher({image0: feats0, image1: feats1})
feats0, feats1, matches01 [rbd(x) for x in [feats0, feats1, matches01]
] # remove batch dimensionkpts0, kpts1, matches feats0[keypoints], feats1[keypoints], matches01[matches]
m_kpts0, m_kpts1 kpts0[matches[..., 0]], kpts1[matches[..., 1]]axes viz2d.plot_images([image0, image1])
viz2d.plot_matches(m_kpts0, m_kpts1, colorlime, lw0.2)
viz2d.add_text(0, fStop after {matches01[stop]} layers, fs20)kpc0, kpc1 viz2d.cm_prune(matches01[prune0]), viz2d.cm_prune(matches01[prune1])
viz2d.plot_images([image0, image1])
viz2d.plot_keypoints([kpts0, kpts1], colors[kpc0, kpc1], ps10)
执行效果如下所示比superglue要好很多基本上看不到错误匹配的点。superglue配准具体细节可以查看链接 superglue的配置效果如下所示存在不少错误的点。
3、提取重叠区域
在步骤二的结果中基于以下代码可以实现重叠区域的提取
import cv2
import numpy as np
from imgutils import myimshowsCL,tensor2img
def getGoodMatchPoint(mkpts0, mkpts1, confidence, match_threshold:float0.003):n min(mkpts0.size(0), mkpts1.size(0))srcImage1_matchedKPs, srcImage2_matchedKPs[],[]if (match_threshold 1 or match_threshold 0):print(match_threshold error!)for i in range(n):kp0 mkpts0[i]kp1 mkpts1[i]pt0(kp0[0].item(),kp0[1].item());pt1(kp1[0].item(),kp1[1].item());c confidence[i].item();if (c match_threshold):srcImage1_matchedKPs.append(pt0);srcImage2_matchedKPs.append(pt1);return np.array(srcImage1_matchedKPs),np.array(srcImage2_matchedKPs)
mkpts0, mkpts1 m_kpts0, m_kpts1
confidencematches01[scores]
im_dst,im_restensor2img(image0), tensor2img(image1)pts_src, pts_dstgetGoodMatchPoint(mkpts0, mkpts1, confidence)h1, status cv2.findHomography(pts_src, pts_dst, cv2.RANSAC, 1)
im_out1 cv2.warpPerspective(im_dst, h1, (im_dst.shape[1],im_dst.shape[0]))myimshowsCL([im_dst,im_res,im_out1],titles[im_dst,im_res,overlap],rows1,cols3, size6)
其中myimshowsCL,tensor2img等函数代码来自于 https://hpg123.blog.csdn.net/article/details/129093084
提取的重叠区域如下所示 基于superglue配准后提取的重叠区域如图1所示可以看到有3处不如LightGlue关于地球仪上的误差可能不算但另两处特别明显
