这是 cpfind 命令，可以使用我们的多个免费在线工作站之一在 OnWorks 免费托管服务提供商中运行，例如 Ubuntu Online、Fedora Online、Windows 在线模拟器或 MAC OS 在线模拟器
程序：
您的姓名
cpfind - 全景拼接的特征匹配
概要
查找 [选项] -o 输出项目 项目.pto
查找 [选项] -k i0 -k i1 [...] 项目.pto
查找 [选项] --kall 项目.pto
商品描述
查找 cpfind 是 Hugin 的控制点检测器。 它需要一个项目文件作为输入
并在成功时写入带有控制点的项目文件。 这取决于合理的镜头
输入项目文件中的信息。
第一步是特征描述：在这一步中，项目文件的图像是
加载并搜索所谓的关键点。 他们描述了在
图片。 查找 使用基于梯度的描述符进行特征描述
关键点。
第二步，特征匹配，将两幅图像的所有关键点进行匹配
彼此查找两个图像上的特征。 如果这个匹配成功了两个
两幅图像中的关键点成为一个控制点。
用法
直线型 和 鱼眼镜头 图片
Cpfind 可以在直线和鱼眼图像中找到控制点。 达到良好的控制
具有高水平视野的点图像（例如超宽直线或
鱼眼）因此被重新映射到共形空间（cpfind 正在使用立体图形
投影）并且特征匹配发生在这个空间中。 在编写控件之前
点坐标重新映射回图像空间。 这会自动发生
取决于输入项目文件中有关镜头的信息。 所以检查你的
输入项目文件包含有关所用镜头的合理信息。
运用 蔚蓝的
室外全景通常包含云。 云是设置控制点的不良区域
因为它们是移动的物体。 Cpfind 可以使用与 celeste_standalone 相同的算法来
掩盖了包含云的区域。 （这仅在关键点内部完成
查找步骤并且不会更改图像的 alpha 通道。 如果你想生成
蒙版图像使用 celeste_standalone）。 使用 celeste 运行 cpfind
cpfind --celeste -o 输出.pto 输入.pto
将 cpfind 与集成 celeste 一起使用应该优于使用 cpfind 和
celeste_standalone 顺序。 当使用 celeste 云区域运行 cpfind 时，
通常包含具有高质量度量的关键点，被忽略并且没有
而是使用云。 在没有 celeste 的情况下运行 cpfind 时，云上的关键点也是
成立。 当之后运行 celeste_standalone 时，这些控制点将被删除。 在里面
最坏的情况是删除某个图像对的所有控制点。
因此，使用 celeste 运行 cpfind 可以为户外带来更好的“控制点质量”
全景图（例如有云的全景图）。 使用 celeste 运行 cpfind 需要比 cpfind 更长的时间
独自的。 所以对于室内全景这个选项不需要指定（因为更长的
计算时间）。
celeste 步骤可以通过参数--celesteRadius 和
--celesteThreshold。
匹配 策略
所有类型 对
这是默认的匹配策略。 这里所有图像对都与每个图像对匹配
其他。 例如，如果您的项目包含 5 个图像，则 cpfind 匹配图像对：0-1，
0-2, 0-3, 0-4, 1-2, 1-3, 1-4, 2-3, 2-4 和 3-4
此策略适用于所有射击策略（单行、多行、无序）。 它发现
（几乎）所有连接的图像对。 但是对于具有以下内容的项目来说计算成本很高
许多图像，因为它测试了许多未连接的图像对。
线性推力器 匹配
这种匹配策略最适合单行全景图：
cpfind --linearmatch -o 输出.pto 输入.pto
这只会检测相邻图像之间的匹配，例如对于 5 个图像示例，它
将匹配图像对 0-1、1-2、2-3 和 3-4。 匹配距离可以增加
使用开关 --linearmatchlen。 例如使用 --linearmatchlen 2 cpfind 将匹配图像
下一个图像和下一个图像之后的图像，在我们的示例中，它将是 0-1, 0-2, 1-2,
1-3、2-3、2-4 和 3-4。
多行 匹配
这是单行和多行全景图的优化匹配策略：
cpfind --multirow -o 输出.pto 输入.pto
该算法与多行全景中描述的相同。 通过整合这个
算法进入 cpfind 它通过使用现代 CPU 的几个核心并且不缓存来更快
关键点到光盘（这是耗时的）。 如果你想使用这个多行
匹配内部 Hugin 一次将控制点检测器类型设置为所有图像。
关键点 缓存 至 圆盘
关键点的计算需要一些时间。 因此 cpfind 提供了保存
关键点到一个文件，并在以后再次重用它们。 使用 --kall 所有图像的关键点
在项目中保存到光盘。 如果您只想使用特定图像的关键点
参数 -k 与图像编号：
cpfind --kall 输入.pto
cpfind -k 0 -k 1 输入.pto
关键点文件默认保存在与图像相同的目录中
扩展名.key。 在这种情况下，不会发生图像匹配，因此没有输出项目
文件需要指定。 如果 cpfind 在项目中找到图像的密钥文件，它将使用
它们会自动运行，并且不会在此图像上再次运行特征描述符。 如果你想
使用 --keypath 开关将它们保存到另一个目录。
这个过程也可以通过开关 --cache 自动化：
cpfind --cache -o 输出.pto 输入.pto
在这种情况下，它会尝试加载现有的关键点文件。 对于没有图像的图像
关键点文件，关键点被检测并保存到文件中。 然后它匹配所有加载
和新发现的关键点并写入输出项目。
如果您不再需要密钥文件，可以通过以下方式自动删除
cpfind --clean input.pto
EXTENDED 配置
专栏 描述
出于速度原因，cpfind 使用的图像被缩放到它们的半宽和半高，
找到关键点。 使用开关 --fullscale cpfind 正在处理全尺寸图像。
这需要更长的时间，但可以提供“更好”和/或更多的控制点。
特征描述步骤可以通过参数进行微调：
--sieve1宽度
筛 1：宽度上的桶数（默认值：10）
--sieve1 高度
筛 1：高度上的桶数（默认值：10）
--筛子1尺寸
筛 1：每个桶的最大点数（默认值：100）
--kdtreesteps
KDTree：搜索步骤（默认：200）
--kdtreesecondist
KDTree：第二场比赛的距离（默认值：2）
Cpfind 存储每张图像的最大筛网宽度 *筛网高度 *筛网1尺寸的关键点。 如果你
只有很小的重叠，例如使用鱼眼图像进行 360 度全景拍摄，您可以
如果增加sieve1size，可以获得更好的结果。 你也可以尝试增加sieve1width
和/或sieve1height。
专栏 匹配
通过以下参数微调匹配步骤：
——兰萨西特
Ransac：迭代（默认值：1000）
——兰萨克主义者
Ransac：单应性估计距离阈值（像素）（默认值：25）
--ransac模式 （自动，hom，rpy，rpyv，rpyb）
选择在 ransac 步骤中使用的模型。
hom：假设一个单应性。 仅适用于非广角
意见。 使用原始全景代码。 它也更灵活
超出要求并且可能产生错误匹配，尤其是在大多数情况下
的匹配位于一行。
rpy：使用滚动、俯仰和偏航对齐图像。 这需要一个好的
估计水平视场（和失真，对于
严重扭曲的图像）。 这是首选模式，如果
使用校准镜头，否则可以成功读取 HFOV
来自 EXIF 数据。
rpyv：通过优化滚转、俯仰、偏航和领域来对齐对
看法。 应该在没有视野的先验知识的情况下工作，
但可能会更频繁地失败，因为在
panotools 优化器，它倾向于将 fov 缩小到 0。
rpyvb：通过优化滚动、俯仰、偏航、视野和
“b”失真参数。 可能很脆弱，只是
为测试而实施。
auto：对 hfov < 65 度和 rpy 的图像使用单应性。
--最小匹配数
最少匹配（默认：4）
--sieve2宽度
筛 2：宽度上的桶数（默认值：5）
--sieve2 高度
筛 2：高度上的桶数（默认值：5）
--筛子2尺寸
筛 2：每个桶的最大点数（默认值：2）
Cpfind 在 minmatches 和筛子 2 宽度 * 筛 2 高 * 筛 2 大小之间生成
图像对之间的控制点。 （默认设置在 4 到 50 之间（=5*5*2）
每个图像对的控制点。）如果少于 minmatches 控制点找到一个
给定图像对，这些控制点被忽略，这个图像对是
视为未连接。 对于狭窄的重叠，您可以尝试减少最小匹配，
但这会增加获得错误控制点的风险。
配置
--celesteRadius
celeste 的半径（默认 20）
--celeste阈值
celeste 的阈值（默认 0.5）
--塞莱斯特
加载图像后运行 celeste 天空识别，这会忽略所有功能
与“云”有关。
-p <字符串, --键路径
缓存密钥文件的路径
- 干净的
清理缓存的密钥文件
-c, --缓存
将关键点缓存到外部文件
--卡尔
为所有图像写入密钥文件
-k , --写入密钥文件
为这个镜像号写一个keyfile（多次接受）
-o , - 输出
输出文件，必填
-n , --ncores
CPU/内核数（默认：自动检测）
-t, - 测试
启用测试模式
--全量程
使用全尺寸图像来检测关键点（默认值：false）
--sieve1宽度
筛 1：宽度上的桶数（默认值：10）
--sieve1 高度
筛 1：高度上的桶数（默认值：10）
--筛子1尺寸
筛 1：每个桶的最大点数（默认值：100）
--kdtreesteps
KDTree：搜索步骤（默认：200）
--kdtreesecondist
KDTree ：第二场比赛的距离（默认：2）
--多行
启用启发式多行匹配（默认：关闭）
--线性匹配
启用线性图像匹配（默认：所有对）
--线性匹配长度
线性匹配中要匹配的图像数量（默认值：1）
--最小匹配数
最少匹配（默认：4）
——兰萨西特
Ransac：迭代（默认：1000）
——兰萨克主义者
Ransac：单应性估计距离阈值（像素）（默认值：25）
--sieve2宽度
筛 2：宽度上的桶数（默认值：5）
--sieve2 高度
筛 2：高度上的桶数（默认值：5）
--筛子2尺寸
筛 2：每个桶的最大点数（默认值：2）
--, --ignore_rest
忽略此标志后面的其余标记参数。
- 版
显示版本信息并退出。
-h, - 帮帮我
显示使用信息并退出。
作者
安娜埃尔·奥林斯基、巴勃罗·德安吉洛、安托万·德勒福热、托马斯·莫德斯
《版本：2015.0.0》 2016-01-06 CPFIND(1)
使用 onworks.net 服务在线使用 cpfind
