cpfind - Online în cloud

PROGRAM:

NUME

cpfind - Potrivirea caracteristicilor pentru cusături panoramice

REZUMAT

cpfind [opțiuni] -o proiect_ieșire proiect.pto

cpfind [opțiuni] -k i0 -k i1 [...] proiect.pto

cpfind [opțiuni] --kall proiect.pto

DESCRIERE

cpfind cpfind este un detector de punct de control pentru Hugin. Se așteaptă un fișier proiect ca intrare
și scrie un fișier de proiect cu puncte de control asupra succesului. Depinde de obiectivul rezonabil
informații din fișierul proiect de intrare.

Primul pas este descrierea caracteristicii: În acest pas sunt imaginile fișierului de proiect
încărcate și sunt căutate așa-numitele puncte cheie. Ele descriu trăsăturile destinctive în
imagine. cpfind folosește un descriptor bazat pe gradient pentru descrierea caracteristicii
puncte cheie.

Într-o a doua etapă, potrivirea caracteristicilor, toate punctele cheie ale două imagini sunt potrivite
reciproc pentru a găsi caracteristici care se află pe ambele imagini. Dacă această potrivire a avut succes doi
punctele cheie din cele două imagini devin un singur punct de control.

UTILIZARE

Rectilinie și Ochi de pește imagini
Cpfind poate găsi puncte de control în imagini rectilinie și fisheye. Pentru a obține un control bun
puncte imagini cu un câmp de vedere orizontal mare (de exemplu, rectiliniu ultra-larg sau
fisheye) sunt astfel remapate într-un spațiu conform (cpfind folosește stereografic
proiecție) și potrivirea caracteristicilor are loc în acest spațiu. Înainte de a scrie controlul
punctele în care coordonatele sunt remapate înapoi în spațiul imaginii. Acest lucru se întâmplă automat
în funcție de informațiile despre obiectiv din fișierul proiect de intrare. Deci verificați dacă dvs
fișierul proiect de intrare conține informații rezonabile despre obiectivul utilizat.

Utilizarea Celeste
Panorama în aer liber conține adesea nori. Norii sunt zone proaste pentru stabilirea punctelor de control
deoarece sunt obiecte în mișcare. Cpfind poate folosi același algoritm ca celeste_standalone
zone mascate care conțin nori. (Acest lucru se face numai intern pentru punctul cheie
pas de găsire și nu schimbă canalul alfa al imaginii tale. Dacă doriți să generați
o imagine de mască folosește celeste_standalone). Pentru a rula cpfind folosind celeste

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

Utilizarea cpfind cu celeste integrat ar trebui să fie superioară utilizării cpfind și
celeste_standalone secvential. Cand ruleaza cpfind cu celeste zone de nori, care
adesea conține puncte cheie cu o măsură de înaltă calitate, sunt ignorate și zone fără
se folosesc în schimb norii. Când rulați cpfind fără celeste, sunt și punctele cheie pe nori
găsite. Când rulați ulterior celeste_standalone, aceste puncte de control sunt eliminate. În
în cel mai rău caz, toate punctele de control ale unei anumite perechi de imagini sunt eliminate.

Deci rularea cpfind cu celeste duce la o „calitate mai bună a punctului de control” pentru exterior
panorama (ex. panorama cu nori). Rularea cpfind cu celeste durează mai mult decât cpfind
singur. Deci, pentru panoramă interioară, această opțiune nu trebuie specificată (din cauza duratei mai lungi
timpul de calcul).

Pasul celeste poate fi reglat fin prin parametrii --celesteRadius și
--celesteThreshold.

De potrivire strategie
TOATE perechi

Aceasta este strategia de potrivire implicită. Aici toate perechile de imagini sunt corelate cu fiecare
alte. De exemplu, dacă proiectul dvs. conține 5 imagini, atunci cpfind se potrivește cu perechile de imagini: 0-1,
0-2, 0-3, 0-4, 1-2, 1-3, 1-4, 2-3, 2-4 și 3-4

Această strategie funcționează pentru toate strategiile de tragere (pe un singur rând, pe mai multe rânduri, neordonate). Gaseste
(aproape) toate perechile de imagini conectate. Dar este costisitor de calcul pentru proiectele cu
multe imagini, deoarece testează multe perechi de imagini care nu sunt conectate.

Liniar Meci

Această strategie de potrivire funcționează cel mai bine pentru panoramele cu un singur rând:

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

Acest lucru va detecta doar potriviri între imagini adiacente, de exemplu, pentru exemplul cu 5 imagini
se potrivesc perechile de imagini 0-1, 1-2, 2-3 și 3-4. Distanța de potrivire poate fi mărită
cu comutatorul --linearmatchlen. De exemplu, cu --linearmatchlen 2 cpfind se va potrivi cu o imagine
cu imaginea următoare și imaginea după următoarea, în exemplul nostru ar fi 0-1, 0-2, 1-2,
1-3, 2-3, 2-4 și 3-4.

Mai multe rânduri potrivire

Aceasta este o strategie de potrivire optimizată pentru panoramă pe un singur rând și pe mai multe rânduri:

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

Algoritmul este același cu cel descris în panoramă cu mai multe rânduri. Prin integrarea acestui
algoritmul în cpfind este mai rapid prin utilizarea mai multor nuclee ale procesoarelor moderne și nu memorează în cache
punctele cheie ale discului (ceea ce necesită mult timp). Dacă doriți să utilizați acest multi-rând
potrivirea în interiorul hugin setați tipul detectorului punctului de control la Toate imaginile simultan.

Puncte cheie cache la disc

Calculul punctelor cheie durează ceva timp. Deci cpfind oferă posibilitatea de a salva fișierul
puncte cheie către un fișier și reutilizați-le ulterior. Cu --kall punctele cheie pentru toate imaginile
din proiect sunt salvate pe disc. Dacă doriți doar punctele cheie pentru o anumită utilizare a imaginii
parametrul -k cu numărul imaginii:

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

Fișierele puncte-cheie sunt salvate implicit în același director ca și imaginile cu
extensie .key. În acest caz, nu apare nicio potrivire a imaginilor și, prin urmare, nici un proiect de ieșire
fișierul trebuie specificat. Dacă cpfind găsește fișiere cheie pentru o imagine din proiect pe care o va folosi
automat și nu rulați din nou descriptorul de caracteristică pe această imagine. Dacă doriți să
salvați-le într-un alt director, utilizați comutatorul --keypath.

Această procedură poate fi, de asemenea, automatizată cu comutatorul --cache:

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

În acest caz, încearcă să încarce fișierele de puncte cheie existente. Pentru imagini, care nu au un
fișier cheie, punctele cheie sunt detectate și salvate în fișier. Apoi se potrivește cu toate încărcate
și puncte cheie nou găsite și scrie proiectul de ieșire.

Dacă nu aveți nevoie de fișierul cheie mai mult, acesta poate fi șters automat prin

cpfind --clean input.pto

EXTENDED OPŢIUNI

Caracteristică descriere
Din motive de viteză, cpfind folosește imagini, care sunt scalate la jumătate din lățime și înălțime,
pentru a găsi puncte cheie. Cu comutatorul --fullscale, cpfind lucrează la imaginile la scară completă.
Acest lucru durează mai mult, dar poate oferi puncte de control „mai bune” și/sau mai multe.

Pasul de descriere a caracteristicii poate fi reglat fin prin parametrii:

--sieve1width
Sita 1: Număr de găleți pe lățime (implicit: 10)

--sieve1height
Sita 1: Număr de găleți pe înălțime (implicit: 10)

--sieve1size
Sita 1: puncte maxime per găleată (implicit: 100)

--kdtreesteps
KDTree: pași de căutare (implicit: 200)

--kdtreeseconddist

KDTree: distanța celui de-al 2-lea meci (implicit: 0.25)

Cpfind stochează puncte cheie maxime sieve1width * sieve1height * sieve1size puncte cheie per imagine. daca tu
au doar o mică suprapunere, de exemplu, pentru o fotografie panoramică de 360 ​​de grade cu imagini fisheye, puteți
obțineți rezultate mai bune dacă măriți sieve1size. De asemenea, puteți încerca să creșteți sieve1width
si/sau sita1altime.

Caracteristică potrivire
Reglarea fină a etapei de potrivire prin următorii parametri:

--ransaciter
Ransac: iterații (implicit: 1000)

--ransacdist
Ransac: pragul distanței de estimare a omografiei (pixeli) (implicit: 25)

--ransacmode (auto, hom, rpy, rpyv, rpyb)
Selectați modelul folosit în pasul de ransac.

hom: Să presupunem o omografie. Aplicabil numai pentru non-unghi larg
vederi. Utilizează codul panomatic original. De asemenea, este mai flexibil
decât este necesar și poate genera potriviri false, mai ales dacă cele mai multe
dintre meciuri sunt situate pe o singură linie.

rpy: Aliniați imaginile folosind ruliu, înclinare și rotire. Acest lucru necesită un bun
estimare pentru câmpul vizual orizontal (și distorsiune, pt
imagini puternic distorsionate). Este modul preferat dacă a
este utilizată lentilă calibrată sau HFOV ar putea fi citit cu succes
din datele EXIF.

rpyv: Aliniați perechea prin optimizarea ruliului, înclinării, rotilor și câmpului
vedere. Ar trebui să lucreze fără cunoștințe prealabile ale câmpului vizual,
dar ar putea eșua mai des, din cauza funcției de eroare utilizate în
Panotools Optimizer, tinde să micșoreze fov-ul la 0.

rpyvb: Aliniați perechea optimizând ruliu, înclinare, rotire, câmp vizual și
parametrul de distorsiune „b”. Probabil foarte fragil, doar
implementat pentru testare.

auto: Folosiți omografia pentru imagini cu hfov < 65 de grade și rpy în caz contrar.

--minmeciuri
Potriviri minime (implicit: 4)

--sieve2width
Sita 2: Număr de găleți pe lățime (implicit: 5)

--sieve2height
Sita 2: Număr de găleți pe înălțime (implicit: 5)

--sieve2size
Sita 2: puncte maxime per găleată (implicit: 2)

Cpfind generează între minmatches și sieve2width * sieve2height * sieve2size
puncte de control între o pereche de imagini. (Setarea implicită este între 4 și 50 (=5*5*2)
puncte de control per pereche de imagini.) Dacă se găsesc puncte de control mai mici de minmatch pentru a
date perechi de imagini, aceste puncte de control sunt ignorate și această pereche de imagini este
consideră neconectat. Pentru suprapuneri înguste, puteți încerca să micșorați potrivirile minime,
dar acest lucru crește riscul de a obține puncte de control greșite.

OPŢIUNI

--celesteRadius
Raza pentru celeste (implicit 20)

--celesteThreshold
Prag pentru celeste (implicit 0.5)

--celeste
Rulați celeste sky identification după încărcarea imaginilor, aceasta ignoră toate caracteristicile
asociate cu „nori”.

-p <șir, --keypath
Calea către fișierele cheie în cache

--curat
Curățați fișierele cheie stocate în cache

-c, --cache
Memorează în cache punctele cheie în fișierul extern

--kall
Scrieți fișierele cheie pentru toate imaginile

-k , --writekeyfile
Scrieți un fișier cheie pentru acest număr de imagine (acceptat de mai multe ori)

-o , --ieșire
Fișier de ieșire, necesar

-n , --ncores
Număr de CPU/nuclee (implicit: autodetect)

-t, --Test
Activează modul de testare

--completă
Utilizează imaginea la scară completă pentru a detecta punctele cheie (implicit: fals)

--sieve1width
Sita 1: Număr de găleți pe lățime (implicit: 10)

--sieve1height
Sita 1: Număr de găleți pe înălțime (implicit: 10)

--sieve1size
Sita 1: puncte maxime per găleată (implicit: 100)

--kdtreesteps
KDTree: pași de căutare (implicit: 200)

--kdtreeseconddist
KDTree: distanța celui de-al 2-lea meci (implicit: 0.15)

--multirând
Activați potrivirea euristică pe mai multe rânduri (implicit: dezactivat)

--linearmatch
Activați potrivirea imaginilor liniare (implicit: toate perechile)

--lineartchlen
Numărul de imagini de potrivire în potrivire liniară (implicit: 1)

--minmeciuri
Potriviri minime (implicit: 4)

--ransaciter
Ransac: iterații (implicit: 1000)

--ransacdist
Ransac : pragul distanței de estimare a omografiei (pixeli) (implicit: 25)

--sieve2width
Sita 2: Număr de găleți pe lățime (implicit: 5)

--sieve2height
Sita 2: Număr de găleți pe înălțime (implicit: 5)

--sieve2size
Sita 2: puncte maxime per găleată (implicit: 2)

--, --ignore_rest
Ignoră restul argumentelor etichetate care urmează acestui semnalizare.

--versiune
Afișează informații despre versiune și iese.

-h, --Ajutor
Afișează informații de utilizare și ieșiri.

AUTORI

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

„Versiune: 2015.0.0” 2016-01-06 CPFIND(1)

Utilizați cpfind online folosind serviciile onworks.net