我希望能进行类似于图像分析中标准的“图像配准”的功能,使用特征定位。我要找到一个最佳转换方式,将一组2D坐标A转换成另一组B。但是我想增加一个额外的限制条件,即该转换是“刚性/欧几里得变换”,这意味着没有缩放,只有平移和旋转。通常,如果允许缩放,我会这样做:
from skimage import io, transform
destination = array([[1.0,2.0],[1.0,4.0],[3.0,3.0],[3.0,7.0]])
source = array([[1.2,1.7],[1.1,3.8],[3.1,3.4],[2.6,7.0]])
T = transform.estimate_transform('similarity',source,destination)
我认为estimate_transform
在内部只是解决了一个最小二乘问题。
但我想添加不缩放的约束。
skimage或其他软件包中是否有解决此问题的函数? 可能需要使用scipy、CVXOPT或cvxpy编写自己的优化问题。 需要帮助来表述/实现这个优化问题吗?
编辑: 感谢Stefan van der Walt的回答,以下是我的实现。
from matplotlib.pylab import *
from scipy.optimize import *
def obj_fun(pars,x,src):
theta, tx, ty = pars
H = array([[cos(theta), -sin(theta), tx],\
[sin(theta), cos(theta), ty],
[0,0,1]])
src1 = c_[src,ones(src.shape[0])]
return sum( (x - src1.dot(H.T)[:,:2])**2 )
def apply_transform(pars, src):
theta, tx, ty = pars
H = array([[cos(theta), -sin(theta), tx],\
[sin(theta), cos(theta), ty],
[0,0,1]])
src1 = c_[src,ones(src.shape[0])]
return src1.dot(H.T)[:,:2]
res = minimize(obj_fun,[0,0,0],args=(dst,src), method='Nelder-Mead')