ransac_fundamental — MATCHREG `featmatch` op

• 데이터 종류: table → table

• 호출: import fullseye as fs; fs.ledger.ransac_fundamental(matches, thresh=1.0, confidence=0.999, max_iters=5000, score='msac', local_optimization=True, min_inliers=15, seed=0)(구현을 직접 호출하려면 import featmatch; featmatch.ransac_fundamental(matches, thresh=1.0, confidence=0.999, max_iters=5000, score='msac', local_optimization=True, min_inliers=15, seed=0), 원장에서 가져오려면 opsmatchreg.get("ransac_fundamental"))

• GPU: 없음(CPU 참조 구현만)

사용법

대응 쌍에서 기초 행렬 F(x2ᵀ F x1 = 0)를 강건하게 추정한다. → table(kind="fundamental").

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

8 点の最小標本を正規化 8 点法(twoview.fundamental_8point、rank 2 を強制)で当てはめ、Sampson 距離(エピポーラ線までの幾何距離の 1 次近似)で採点する。採点・適応回数・局所最適化は ransac_homography と同じ。

限界: 平面の場面や純回転では F は一意に決まらない(ホモグラフィ 1 つで説明できる退化)。その判定はしない —— 姿勢まで欲しいなら twoview.recover_pose(平面を拒む)へ。7 点法は使わない(最小標本は 8)。

Args:

matches: features_match の表。

thresh: 内れ値の Sampson 距離の上限 [px]。

confidence, max_iters, score, local_optimization, seed: ransac_homography と同じ。

min_inliers: これ未満なら失敗(ValueError)。

Returns:

dict(kind="fundamental")。F (3,3)(フロベニウスノルム 1、符号は F[2,2] >= 0)/

inliers / n_inliers / inlier_ratio / rms_px(内れ値の Sampson 距離の rms)/

iterations / score / thresh。

Raises:

ValueError: 表の種類が違う / 8 組未満 / 非有限 / 引数が値域外 / 内れ値が min_inliers 未満。

자세한 사용 가이드

• matching_registration 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• (아직 없음)

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

features_match · ransac_homography · registration_to_flow2d

같은 카테고리(`featmatch`)

features_sift · features_orb · features_match · ransac_homography · features_accuracy_table

*Provenance: featmatch.py — MATCHREG 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

ransac_fundamental — MATCHREG featmatch op

사용법