Развернуть матрицу гомографии для искажений

Question

У меня есть два набора соответственных совпадений, которые я хочу вычислить с помощью матрицы гомографии. Однако я обнаружил, что преобразование между этими точками невозможно смоделировать, используя только матрицу гомографии. Я понял это, наблюдая, что некоторые строки в исходном наборе точек не представлены в виде строк во втором наборе.

Например:

Предыдущее состояние очень экстремальный в режиме реального времени искажение намного меньше, чем это. Обычно это искажение из-за того, что первый набор точек был извлечен из изображения, которое было выполнено сканером, где другой набор точек был извлечен из фотографии, сделанной мобильным телефоном.

Вопрос:

Как я могу расширить или Обобщить матрицу гомография, чтобы она включает в себя этот случай? Или, другими словами, я хочу использовать модель преобразования без строки, чтобы использовать ее вместо матрицы гомографии, любого предложения?

P.S OpenCV библиотека предпочтительнее, если есть что-то готовое к использованию.

EDIT:

Устранение искажений не может быть вариант для меня, потому что фотографии являются довольно сложными, и я не имеют те же камеры всегда плюс я должен иметь дело с изображениями из неизвестного источника (назад- конец отделен от front-end). Тем не менее, у меня есть ссылка, которая является планировщиком и запросом, у которого есть перспектива + эффект отвлечения, который я хочу исправить после того, как я смог найти соответствующие пары.

Answer 1

Было бы лучше, если бы вы предоставили несколько примеров своих изображений, чтобы лучше понять ваше дело. Из описания кажется, что вы имеете дело с camera distortion.

Типичный подход состоит в том, чтобы выполнить калибровку камеры один раз, затем нерешить каждый кадр и, наконец, работать с изображениями, где прямые прямые прямые. Все эти задачи возможны с OpenCV, рассмотрите приведенную выше ссылку.

Если вы не можете выполнить калибровку камеры, чтобы оценить искажение - вы не можете много сделать. Попробуйте рассчитать и применить гомографию на неуправляемых изображениях - если у камер нет широкоугольного объектива, это должно выглядеть нормально (см. Пример this)