cpfind - آنلاین در ابر

برنامه:

نام

cpfind - تطبیق ویژگی برای دوخت پانوراما

خلاصه

cpfind [گزینه ها] -o خروجی_پروژه project.pto

cpfind [گزینه ها] -k i0 -k i1 [...] project.pto

cpfind [گزینه ها] --kall project.pto

شرح

cpfind cpfind یک آشکارساز نقطه کنترل برای Hugin است. انتظار دارد یک فایل پروژه به عنوان ورودی باشد
و یک فایل پروژه با کنترل نقاط موفقیت می نویسد. این بستگی به لنز معقول دارد
اطلاعات موجود در فایل ورودی پروژه

مرحله اول شرح ویژگی است: در این مرحله تصاویر فایل پروژه قرار می گیرند
بارگذاری شده و به اصطلاح نقاط کلیدی جستجو می شوند. آنها ویژگی های تعیین کننده در را توصیف می کنند
تصویر cpfind از یک توصیفگر مبتنی بر گرادیان برای توصیف ویژگی استفاده می کند
امتیاز کلیدی.

در مرحله دوم، تطبیق ویژگی، تمام نقاط کلیدی دو تصویر با هم تطبیق داده می شوند
یکدیگر را برای پیدا کردن ویژگی هایی که در هر دو تصویر هستند. اگر این تطبیق موفق شد دو
نقاط کلیدی در دو تصویر به یک نقطه کنترل تبدیل می شوند.

طریقه استفاده

راست خط و چشم ماهی تصاویر
Cpfind می تواند نقاط کنترل را در تصاویر مستطیل و چشم ماهی پیدا کند. برای دستیابی به کنترل خوب
تصاویر را با میدان دید افقی بالا نشان می دهد (مثلاً مستطیل فوق عریض یا
فیش آی) در یک فضای منسجم دوباره نقشه برداری می شوند (cpfind از استریوگرافی استفاده می کند
طرح ریزی) و تطبیق ویژگی در این فضا رخ می دهد. قبل از نوشتن کنترل
نقاط مختصات دوباره به فضای تصویر برمی گردند. این به صورت خودکار اتفاق می افتد
بسته به اطلاعات مربوط به لنز در فایل پروژه ورودی. پس بررسی کنید که شما
فایل پروژه ورودی حاوی اطلاعات منطقی در مورد لنز استفاده شده است.

با استفاده از آسمان
پانورامای فضای باز اغلب حاوی ابر است. ابرها مناطق بدی برای تنظیم نقاط کنترل هستند
زیرا آنها جسم متحرک هستند. Cpfind می‌تواند از همان الگوریتم celeste_standalone استفاده کند
مناطق پوشانده شده حاوی ابرها (این کار فقط برای نقطه کلید داخلی انجام می شود
مرحله پیدا کردن و کانال آلفای تصویر شما را تغییر نمی دهد. اگر می خواهید تولید کنید
یک تصویر ماسک استفاده از celeste_standalone). برای اجرای cpfind با celeste استفاده کنید

cpfind --celeste -o output.pto input.pto

استفاده از cpfind با celeste یکپارچه باید در مقابل استفاده از cpfind و برتری داشته باشد
متوالی celeste_standalone. هنگام اجرای cpfind با نواحی سلستة ابرها، که
اغلب حاوی نکات کلیدی با معیار کیفیت بالا است، نادیده گرفته شده و مناطقی بدون آن هستند
به جای آن از ابرها استفاده می شود. هنگام اجرای cpfind بدون celeste نیز نقاط کلیدی در ابرها هستند
یافت. پس از اجرای celeste_standalone این نقاط کنترل حذف می شوند. در
در بدترین حالت، تمام نقاط کنترل یک جفت تصویر خاص حذف می شوند.

بنابراین اجرای cpfind با celeste منجر به "کیفیت نقطه کنترل" بهتر برای فضای باز می شود
پانوراما (به عنوان مثال پانوراما با ابرها). اجرای cpfind با celeste بیشتر از cpfind طول می کشد
تنها. بنابراین برای پانورامای داخلی این گزینه نیازی به مشخص کردن ندارد (به دلیل طولانی‌تر بودن
زمان محاسبه).

مرحله Celeste را می توان با پارامترهای --celesteRadius و به خوبی تنظیم کرد
--celesteThreshold.

تطابق استراتژی
معرفی جفت

این استراتژی تطبیق پیش فرض است. در اینجا همه جفت های تصویر با هر یک مطابقت دارند
دیگر. به عنوان مثال اگر پروژه شما حاوی 5 تصویر باشد، cpfind با جفت های تصویر مطابقت دارد: 0-1،
0-2، 0-3، 0-4، 1-2، 1-3، 1-4، 2-3، 2-4 و 3-4

این استراتژی برای تمام استراتژی های تیراندازی (تک ردیف، چند ردیف، نامرتب) کار می کند. پیدا می کند
(تقریبا) همه جفت های تصویر متصل شده. اما برای پروژه هایی که با آنها انجام می شود هزینه محاسباتی گران است
بسیاری از تصاویر، زیرا بسیاری از جفت های تصویر را که به هم متصل نیستند، آزمایش می کند.

خطی همخوانی داشتن

این استراتژی تطبیق برای پانورامای تک ردیفی بهترین عملکرد را دارد:

cpfind --linearmatch -o output.pto input.pto

این فقط تطابق بین تصاویر مجاور را تشخیص می دهد، به عنوان مثال برای مثال 5 تصویر
تصاویر جفت 0-1، 1-2، 2-3 و 3-4 را مطابقت خواهد داد. فاصله تطبیق را می توان افزایش داد
با سوئیچ --linearmatchlen. به عنوان مثال با --linearmatchlen 2 cpfind با یک تصویر مطابقت دارد
با تصویر بعدی و تصویر بعد از بعدی، در مثال ما 0-1، 0-2، 1-2 خواهد بود،
1-3، 2-3، 2-4 و 3-4.

چند ردیفه مطابق

این یک استراتژی تطبیق بهینه برای پانورامای تک و چند ردیفه است:

cpfind --multirow -o output.pto input.pto

الگوریتم همان است که در پانورامای چند ردیفی توضیح داده شده است. با ادغام این
الگوریتم cpfind با استفاده از چندین هسته از CPU های مدرن و عدم ذخیره سازی سریعتر است.
نقاط کلیدی دیسک (که وقت گیر است). اگر می خواهید از این چند ردیف استفاده کنید
مطابق با داخل hugin نوع آشکارساز نقطه کنترل را روی همه تصاویر به یکباره تنظیم کنید.

امتیاز کلیدی ذخیره به دیسک

محاسبه نقاط کلیدی مدتی طول می کشد. بنابراین cpfind امکان ذخیره سازی را ارائه می دهد
نقاط کلیدی یک فایل را انتخاب کنید و بعداً دوباره از آنها استفاده کنید. با --kall نقاط کلیدی برای همه تصاویر
در پروژه بر روی دیسک ذخیره می شوند. اگر فقط از نکات کلیدی یک تصویر خاص می خواهید استفاده کنید
پارامتر -k با شماره تصویر:

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

فایل‌های نقطه کلیدی به‌طور پیش‌فرض در همان فهرستی که تصاویر با آن ذخیره می‌شوند، ذخیره می‌شوند
پسوند کلید. در این حالت هیچ تطبیقی ​​از تصاویر رخ نمی دهد و بنابراین هیچ پروژه خروجی وجود ندارد
فایل باید مشخص شود اگر cpfind فایل های کلیدی را برای یک تصویر در پروژه پیدا کند، از آن استفاده می کند
آنها را به طور خودکار انجام دهید و توصیفگر ویژگی را دوباره روی این تصویر اجرا نکنید. اگر شما می خواهید
آنها را در دایرکتوری دیگری ذخیره کنید و از سوئیچ --keypath استفاده کنید.

این رویه همچنین می تواند با سوئیچ --cache خودکار شود:

cpfind --cache -o output.pto input.pto

در این مورد سعی می کند فایل های کلیدی موجود را بارگیری کند. برای تصاویری که الف ندارند
فایل کلیدی، نقاط کلیدی شناسایی شده و در فایل ذخیره می شوند. سپس با همه بارگذاری شده مطابقت دارد
و نقاط کلیدی تازه پیدا شده و پروژه خروجی را می نویسد.

اگر به فایل کلیدی نیازی ندارید، به صورت خودکار می‌توانید آن را حذف کنید

cpfind --clean input.pto

تمدید شده OPTIONS

ویژگی شرح
به دلایل سرعت، cpfind از تصاویری استفاده می کند که به نصف عرض و ارتفاع آن ها کوچک شده اند.
برای پیدا کردن نقاط کلیدی با سوئیچ --fullscale cpfind روی تصاویر در مقیاس کامل کار می کند.
این کار بیشتر طول می‌کشد، اما می‌تواند نقاط کنترلی «بهتر» و/یا بیشتر ارائه کند.

مرحله توصیف ویژگی را می توان با پارامترهای زیر تنظیم کرد:

--غربال1 پهنا
غربال 1: تعداد سطل در عرض (پیش فرض: 10)

---الک 1 ارتفاع
غربال 1: تعداد سطل در ارتفاع (پیش فرض: 10)

-- sieve1size
غربال 1: حداکثر امتیاز در هر سطل (پیش‌فرض: 100)

--kdtreesteps
KDTree: مراحل جستجو (پیش‌فرض: 200)

--kdtreeseconddist

KDTree: فاصله مسابقه دوم (پیش‌فرض: 2)

Cpfind حداکثر Sieve1 Width * Sieve1height * Sieve1size را در هر تصویر ذخیره می کند. اگر شما
فقط یک همپوشانی کوچک داشته باشید، به عنوان مثال برای عکاسی پانورامای 360 درجه با تصاویر چشم ماهی، می توانید
اگر Sieve1size را افزایش دهید، نتایج بهتری دریافت کنید. همچنین می توانید سعی کنید sieve1width را افزایش دهید
و/یا ارتفاع الک.

ویژگی مطابق
تنظیم دقیق مرحله تطبیق با پارامترهای زیر:

--بیمار کننده
Ransac: تکرار (پیش‌فرض: 1000)

- جنایتکار
Ransac: آستانه فاصله تخمین هموگرافی (پیکسل) (پیش‌فرض: 25)

--ransacmode (خودکار، هوم، rpy، rpyv، rpyb)
مدل مورد استفاده در مرحله ransac را انتخاب کنید.

hom: یک هموگرافی را فرض کنید. فقط برای زاویه غیر عریض قابل استفاده است
دیدگاه ها از کد پانوماتیک اصلی استفاده می کند. همچنین انعطاف پذیرتر است
بیش از حد مورد نیاز است و می تواند مطابقت های نادرست ایجاد کند، به خصوص اگر بیشتر باشد
از مسابقات در یک خط قرار دارد.

rpy: تصاویر را با استفاده از roll، pitch و yaw تراز کنید. این نیاز به خوبی دارد
تخمین برای میدان دید افقی (و اعوجاج، برای
تصاویر به شدت تحریف شده). این حالت ترجیحی است اگر a
از لنز کالیبره شده استفاده می شود، یا HFOV را می توان با موفقیت خواند
از داده های EXIF

rpyv: جفت را با بهینه سازی رول، پیچ، انحراف و فیلد تراز کنید
چشم انداز. باید بدون دانش قبلی از میدان دید کار کند،
اما ممکن است بیشتر اوقات به دلیل عملکرد خطای مورد استفاده در
بهینه ساز panotools، تمایل دارد fov را تا 0 کوچک کند.

rpyvb: جفت را با بهینه سازی رول، پیچ، انحراف، میدان دید و
پارامتر اعوجاج "b". احتمالاً بسیار شکننده است، فقط
برای آزمایش پیاده سازی شده است.

خودکار: از هموگرافی برای تصاویر با hfov < 65 درجه و در غیر این صورت rpy استفاده کنید.

--min matches
حداقل موارد منطبق (پیش‌فرض: 4)

--غربال2 پهنا
غربال 2: تعداد سطل در عرض (پیش فرض: 5)

---الک 2 ارتفاع
غربال 2: تعداد سطل در ارتفاع (پیش فرض: 5)

-- sieve2size
غربال 2: حداکثر امتیاز در هر سطل (پیش‌فرض: 2)

Cpfind بین minmatches و sieve2width * sieve2height * sieve2size تولید می کند
کنترل نقاط بین یک جفت تصویر (تنظیمات پیش فرض بین 4 تا 50 است (=5*5*2)
نقاط کنترل به ازای هر جفت تصویر.) اگر کمتر از آن نقاط کنترل منطبق برای a پیدا می شود
جفت تصویر با توجه به این نقاط کنترل نادیده گرفته می شود و این جفت تصویر است
متصل نمی داند. برای همپوشانی های باریک، می توانید سعی کنید منطبقات را کاهش دهید،
اما این خطر به دست آوردن نقاط کنترل اشتباه را افزایش می دهد.

OPTIONS

-- Celeste Radius
شعاع برای سلست (پیش‌فرض 20)

--celesteThreshold
آستانه برای سلست (پیش‌فرض 0.5)

--سلسته
Celeste sky identification را بعد از بارگذاری تصاویر اجرا کنید، این کار همه ویژگی ها را نادیده می گیرد
مرتبط با "ابرها".

-p <رشته, - مسیر کلید
مسیر فایل های کلیدی کش

--تمیز
فایل های کلیدی ذخیره شده را پاک کنید

-c, -- کش
نقاط کلیدی را در فایل خارجی ذخیره می کند

--کال
برای همه تصاویر فایل های کلیدی بنویسید

-k ، --writekeyfile
یک فایل کلیدی برای این شماره تصویر بنویسید (چندین بار پذیرفته شده است)

-o ، -- خروجی
فایل خروجی، مورد نیاز

-n ، --ncores
تعداد CPU/هسته‌ها (پیش‌فرض:تشخیص خودکار)

-t, --تست
حالت تست را فعال می کند

-- در مقیاس کامل
از تصویر در مقیاس کامل برای تشخیص نقاط کلیدی استفاده می کند (پیش فرض: نادرست)

--غربال1 پهنا
غربال 1: تعداد سطل در عرض (پیش فرض: 10)

---الک 1 ارتفاع
غربال 1: تعداد سطل در ارتفاع (پیش فرض: 10)

-- sieve1size
غربال 1: حداکثر امتیاز در هر سطل (پیش‌فرض: 100)

--kdtreesteps
KDTree: مراحل جستجو (پیش‌فرض: 200)

--kdtreeseconddist
KDTree: فاصله مسابقه دوم (پیش‌فرض: 2)

-- چند ردیفی
فعال کردن تطبیق چند ردیف اکتشافی (پیش‌فرض: خاموش)

-مطابقت خطی
فعال کردن تطبیق تصاویر خطی (پیش‌فرض: همه جفت‌ها)

--خطی آرمچلن
تعداد تصاویر برای مطابقت در تطابق خطی (پیش‌فرض: 1)

--min matches
حداقل موارد منطبق (پیش‌فرض: 4)

--بیمار کننده
Ransac: تکرار (پیش‌فرض: 1000)

- جنایتکار
Ransac: آستانه فاصله تخمین هموگرافی (پیکسل) (پیش‌فرض: 25)

--غربال2 پهنا
غربال 2: تعداد سطل در عرض (پیش فرض: 5)

---الک 2 ارتفاع
غربال 2: تعداد سطل در ارتفاع (پیش فرض: 5)

-- sieve2size
غربال 2: حداکثر امتیاز در هر سطل (پیش‌فرض: 2)

--, --ignore_rest
بقیه آرگومان‌های برچسب‌گذاری شده پس از این پرچم را نادیده می‌گیرد.

- نسخه
اطلاعات نسخه را نمایش می دهد و از آن خارج می شود.

-h, --کمک
نمایش اطلاعات استفاده و خروج.

AUTHORS

آنائل اورلینسکی، پابلو دی آنجلو، آنتوان دلفورژ، توماس مدز

"نسخه: 2015.0.0" 2016-01-06 CPFIND(1)

با استفاده از خدمات onworks.net از cpfind آنلاین استفاده کنید