cpfind – Online in der Cloud

PROGRAMM:

NAME/FUNKTION

cpfind – Feature-Matching für Panorama-Stitching

ZUSAMMENFASSUNG

cpfind [Optionen] -o Ausgabeprojekt projekt.pto

cpfind [Optionen] -k i0 -k i1 [...] projekt.pto

cpfind [Optionen] --kall projekt.pto

BESCHREIBUNG

cpfind cpfind ist ein Kontrollpunktdetektor für Hugin. Es erwartet eine Projektdatei als Eingabe
und schreibt eine Projektdatei mit Kontrollpunkten zum Erfolg. Es kommt auf ein vernünftiges Objektiv an
Informationen in der Eingabeprojektdatei.

Der erste Schritt ist die Funktionsbeschreibung: In diesem Schritt werden die Bilder der Projektdatei erstellt
geladen und nach sogenannten Schlüsselpunkten gesucht. Sie beschreiben charakteristische Merkmale in der
Bild. cpfind verwendet einen auf einem Gradienten basierenden Deskriptor für die Funktionsbeschreibung des
Schlüsselpunkte.

In einem zweiten Schritt, dem Feature-Matching, werden alle Schlüsselpunkte zweier Bilder abgeglichen
einander, um Merkmale zu finden, die auf beiden Bildern vorhanden sind. Wenn dieser Abgleich erfolgreich war, zwei
Schlüsselpunkte in den beiden Bildern werden zu einem Kontrollpunkt.

ANWENDUNG

Geradlinig und Fischauge Bilder
Cpfind kann Kontrollpunkte in geradlinigen Bildern und Fischaugenbildern finden. Um eine gute Kontrolle zu erreichen
Punktbilder mit einem hohen horizontalen Sichtfeld (z. B. ultraweites geradliniges oder
Fisheye) werden daher in einen konformen Raum umgebildet (cpfind verwendet die stereografische
Projektion) und der Merkmalsabgleich erfolgt in diesem Raum. Vor dem Schreiben des Steuerelements
Punkte werden die Koordinaten wieder dem Bildraum zugeordnet. Dies geschieht automatisch
Abhängig von den Informationen zum Objektiv in der Eingabeprojektdatei. Überprüfen Sie also, ob Ihre
Die Eingabeprojektdatei enthält angemessene Informationen über das verwendete Objektiv.

Die richtigen celeste
Außenpanorama enthält oft Wolken. Wolken sind schlechte Orte zum Setzen von Kontrollpunkten
weil sie bewegliche Objekte sind. Cpfind kann denselben Algorithmus wie celeste_standalone verwenden
ausgeblendete Bereiche, die Wolken enthalten. (Dies erfolgt nur intern für den Schlüsselpunkt
Suchschritt und verändert nicht den Alphakanal Ihres Bildes. Wenn Sie generieren möchten
ein Maskenbild verwenden celeste_standalone). Um cpfind mit Celeste auszuführen, verwenden Sie

cpfind --celeste -o Ausgabe.pto Eingabe.pto

Die Verwendung von cpfind mit integriertem Celeste sollte der Verwendung von cpfind und überlegen sein
celeste_standalone sequentiell. Beim Ausführen von cpfind mit Celeste-Wolkenbereichen, die
Enthält häufig Schlüsselpunkte mit einem hohen Qualitätsmaß, wird ignoriert und Bereiche ohne
Stattdessen werden Wolken verwendet. Wenn cpfind ohne Celeste ausgeführt wird, werden auch Schlüsselpunkte auf Wolken angezeigt
gefunden. Beim anschließenden Ausführen von celeste_standalone werden diese Kontrollpunkte entfernt. Im
Im schlimmsten Fall werden alle Kontrollpunkte eines bestimmten Bildpaares entfernt.

Das Ausführen von cpfind mit Celeste führt also zu einer besseren „Kontrollpunktqualität“ für den Außenbereich
Panorama (z. B. Panorama mit Wolken). Das Ausführen von cpfind mit Celeste dauert länger als das Ausführen von cpfind
allein. Für Innenpanorama muss diese Option daher nicht angegeben werden (aufgrund der längeren Zeitspanne).
Rechenzeit).

Der Celeste-Schritt kann durch die Parameter --celesteRadius und fein abgestimmt werden
--celesteThreshold.

Abstimmung Strategie
Alle Paare

Dies ist die Standard-Matching-Strategie. Hier werden alle Bildpaare gegeneinander abgeglichen
andere. Wenn Ihr Projekt beispielsweise 5 Bilder enthält, gleicht cpfind die Bildpaare ab: 0-1,
0-2, 0-3, 0-4, 1-2, 1-3, 1-4, 2-3, 2-4 und 3-4

Diese Strategie funktioniert für alle Schussstrategien (einreihig, mehrreihig, ungeordnet). Es findet
(fast) alle verbundenen Bildpaare. Für Projekte mit ist es jedoch rechenintensiv
viele Bilder, da viele Bildpaare getestet werden, die nicht verbunden sind.

Linear Spiel

Diese Matching-Strategie funktioniert am besten für einzeilige Panoramen:

cpfind --linearmatch -o Ausgabe.pto Eingabe.pto

Dadurch werden nur Übereinstimmungen zwischen benachbarten Bildern erkannt, z. B. für das Beispiel mit 5 Bildern
wird mit den Bildpaaren 0-1, 1-2, 2-3 und 3-4 übereinstimmen. Der Matching-Abstand kann vergrößert werden
mit dem Schalter --linearmatchlen. ZB mit --linearmatchlen 2 wird cpfind ein Bild abgleichen
mit dem nächsten Bild und dem übernächsten Bild, in unserem Beispiel wäre es 0-1, 0-2, 1-2,
1-3, 2-3, 2-4 und 3-4.

Mehrreihig Abstimmung

Dies ist eine optimierte Matching-Strategie für ein- und mehrzeilige Panoramabilder:

cpfind --multirow -o Ausgabe.pto Eingabe.pto

Der Algorithmus ist derselbe wie beim mehrzeiligen Panorama beschrieben. Indem man dies integriert
Der Algorithmus in cpfind ist schneller, da mehrere Kerne moderner CPUs verwendet werden und kein Caching erforderlich ist
die Schlüsselpunkte auf die CD zu kopieren (was zeitaufwändig ist). Wenn Sie diese Mehrzeile verwenden möchten
Matching Inside Hugin setzt den Kontrollpunktdetektortyp auf „Alle Bilder gleichzeitig“.

Schlüsselpunkte Caching zu Scheibe

Die Berechnung der Schlüsselpunkte nimmt einige Zeit in Anspruch. cpfind bietet also die Möglichkeit, das zu speichern
Schlüsselpunkte in eine Datei kopieren und später wiederverwenden. Mit --kall die Schlüsselpunkte für alle Bilder
im Projekt werden auf Disc gespeichert. Wenn Sie nur die Kernpunkte eines bestimmten Bildes verwenden möchten
der Parameter -k mit der Bildnummer:

cpfind --kall input.pto
cpfind -k 0 -k 1 input.pto

Die Keypoint-Dateien werden standardmäßig im selben Verzeichnis wie die Bilder mit gespeichert
Erweiterung .key. In diesem Fall erfolgt kein Abgleich der Bilder und somit kein Ausgabeprojekt
Die Datei muss angegeben werden. Wenn cpfind Schlüsseldateien für ein Bild im Projekt findet, wird es verwendet
automatisch ausführen und den Funktionsdeskriptor für dieses Bild nicht erneut ausführen. Wenn Sie wollen
Speichern Sie sie in einem anderen Verzeichnis und verwenden Sie den Schalter --keypath.

Dieser Vorgang kann auch mit dem Schalter --cache automatisiert werden:

cpfind --cache -o Ausgabe.pto Eingabe.pto

In diesem Fall wird versucht, vorhandene Schlüsselpunktdateien zu laden. Für Bilder, die kein
Schlüsselpunktdatei, die Schlüsselpunkte werden erkannt und in der Datei gespeichert. Dann passt alles geladen
und neu gefundene Schlüsselpunkte und schreibt das Ausgabeprojekt.

Wenn Sie die Schlüsseldatei nicht länger benötigen, können Sie sie automatisch löschen

cpfind --clean input.pto

VERLÄNGERT OPTIONAL

Merkmal Beschreibung
Aus Geschwindigkeitsgründen verwendet cpfind Bilder, die auf ihre halbe Breite und Höhe skaliert sind.
Schlüsselpunkte zu finden. Mit dem Schalter --fullscale arbeitet cpfind an den Bildern im Originalmaßstab.
Dies dauert länger, kann aber zu „besseren“ und/oder mehr Kontrollpunkten führen.

Der Funktionsbeschreibungsschritt kann durch die folgenden Parameter feinabgestimmt werden:

--sieve1width
Sieb 1: Anzahl der Eimer auf der Breite (Standard: 10)

--sieve1height
Sieb 1: Anzahl der Eimer auf der Höhe (Standard: 10)

--sieve1size
Sieb 1: Maximale Punkte pro Eimer (Standard: 100)

--kdtreesteps
KDTree: Suchschritte (Standard: 200)

--kdtreeseconddist

KDTree: Distanz des 2. Treffers (Standard: 0.25)

Cpfind speichert maximale sieve1width * sieve1height * sieve1size-Schlüsselpunkte pro Bild. Wenn du
Sie können nur eine geringe Überlappung haben, z. B. für 360-Grad-Panoramaaufnahmen mit Fischaugenbildern
Erzielen Sie bessere Ergebnisse, wenn Sie die Siebgröße erhöhen. Sie können auch versuchen, sieve1width zu erhöhen
und/oder Siebhöhe.

Merkmal Abstimmung
Feinabstimmung des Matching-Schritts durch folgende Parameter:

--ransaciter
Ransac: Iterationen (Standard: 1000)

--ransacdist
Ransac: Entfernungsschwellenwert für Homographieschätzung (Pixel) (Standard: 25)

--ransacmode (auto, hom, rpy, rpyv, rpyb)
Wählen Sie das im Ransac-Schritt verwendete Modell aus.

hom: Gehe von einer Homographie aus. Gilt nur für Nicht-Weitwinkel
Ansichten. Verwendet den ursprünglichen Panoramacode. Es ist auch flexibler
als erforderlich und kann zu falschen Übereinstimmungen führen, insbesondere wenn die meisten davon betroffen sind
der Übereinstimmungen befinden sich in einer einzigen Zeile.

rpy: Bilder mithilfe von Rollen, Nicken und Gieren ausrichten. Dafür braucht es ein gutes
Schätzung für das horizontale Sichtfeld (und Verzerrung, z
stark verzerrte Bilder). Dies ist der bevorzugte Modus, wenn a
kalibriertes Objektiv verwendet wird oder der HFOV erfolgreich abgelesen werden konnte
aus den EXIF-Daten.

rpyv: Paar durch Optimierung von Roll, Nick, Gier und Feld ausrichten
Sicht. Sollte ohne vorherige Kenntnis des Sichtfeldes funktionieren,
kann aber aufgrund der in der verwendeten Fehlerfunktion häufiger fehlschlagen
Panotools-Optimierer neigt dazu, das Sichtfeld auf 0 zu verkleinern.

rpyvb: Paar durch Optimierung von Roll, Nick, Gier, Sichtfeld usw. ausrichten
der Verzerrungsparameter „b“. Wahrscheinlich sehr zerbrechlich, einfach
zum Testen implementiert.

auto: Verwenden Sie Homographie für Bilder mit hfov < 65 Grad und andernfalls rpy.

--minmatches
Mindestübereinstimmungen (Standard: 4)

--sieve2width
Sieb 2: Anzahl der Eimer auf der Breite (Standard: 5)

--sieve2height
Sieb 2: Anzahl der Eimer auf der Höhe (Standard: 5)

--sieve2size
Sieb 2: Maximale Punkte pro Eimer (Standard: 2)

Cpfind generiert zwischen Minmatches und sieve2width * sieve2height * sieve2size
Kontrollpunkte zwischen einem Bildpaar. (Standardeinstellung liegt zwischen 4 und 50 (=5*5*2)
Kontrollpunkte pro Bildpaar.) Bei weniger als minimalen Übereinstimmungen werden Kontrollpunkte für a gefunden
Bei gegebenen Bildpaaren werden diese Kontrollpunkte ignoriert und dieses Bildpaar wird ignoriert
betrachtet es als nicht verbunden. Bei engen Überlappungen können Sie versuchen, die Minmatches zu verringern.
Dies erhöht jedoch das Risiko, falsche Kontrollpunkte zu erhalten.

OPTIONAL

--celesteRadius
Radius für Celesta (Standard 20)

--celesteThreshold
Schwellenwert für Celeste (Standard 0.5)

--celeste
Führen Sie nach dem Laden der Bilder die Celeste-Himmelserkennung aus. Dabei werden alle Funktionen ignoriert
mit „Wolken“ verbunden.

-p <string, --keypath
Pfad zum Zwischenspeichern von Schlüsseldateien

--sauber
Bereinigen Sie zwischengespeicherte Schlüsseldateien

-c, --Zwischenspeicher
Zwischenspeichert Schlüsselpunkte in einer externen Datei

--Kall
Schreiben Sie Schlüsseldateien für alle Bilder

-k , --writekeyfile
Schreiben Sie eine Schlüsseldatei für diese Bildnummer (mehrmals akzeptiert)

-o , --Ausgabe
Ausgabedatei, erforderlich

-n , --ncores
Anzahl der CPU/Kerne (Standard: automatische Erkennung)

-t, --Prüfung
Aktiviert den Testmodus

--fullscale
Verwendet ein Vollbild zur Erkennung von Schlüsselpunkten (Standard: false)

--sieve1width
Sieb 1: Anzahl der Eimer auf der Breite (Standard: 10)

--sieve1height
Sieb 1: Anzahl der Eimer auf der Höhe (Standard: 10)

--sieve1size
Sieb 1: Maximale Punkte pro Eimer (Standard: 100)

--kdtreesteps
KDTree: Suchschritte (Standard: 200)

--kdtreeseconddist
KDTree: Abstand des 2. Treffers (Standard: 0.15)

--multirow
Heuristischen Mehrzeilenabgleich aktivieren (Standard: Aus)

--linearmatch
Linearen Bildabgleich aktivieren (Standard: alle Paare)

--linearmatchlen
Anzahl der Bilder, die beim linearen Matching abgeglichen werden sollen (Standard: 1)

--minmatches
Mindestübereinstimmungen (Standard: 4)

--ransaciter
Ransac: Iterationen (Standard: 1000)

--ransacdist
Ransac: Homographieschätzungsentfernungsschwellenwert (Pixel) (Standard: 25)

--sieve2width
Sieb 2: Anzahl der Eimer auf der Breite (Standard: 5)

--sieve2height
Sieb 2: Anzahl der Eimer auf der Höhe (Standard: 5)

--sieve2size
Sieb 2: Maximale Punkte pro Eimer (Standard: 2)

--, --ignore_rest
Ignoriert den Rest der beschrifteten Argumente, die diesem Flag folgen.

--Version
Zeigt Versionsinformationen an und beendet sich.

-h, --help
Zeigt Nutzungsinformationen an und beendet.

AUTOREN

Anael Orlinski, Pablo d'Angelo, Antoine Deleforge, Thomas Modes

"Version: 2015.0.0" 2016-01-06 CPFIND(1)

Verwenden Sie cpfind online über die Dienste von onworks.net