-
Notifications
You must be signed in to change notification settings - Fork 0
/
dasal_rotation_version03_with_flann.py
258 lines (185 loc) · 8.78 KB
/
dasal_rotation_version03_with_flann.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
###################################################################
# "dasal_rotation"
###################################################################
# @Description: "İki frame arasında ki özellikleri eşleyerek ve bu özellik noktalarını mesafeye göre sıralayarak
# %x lik bir kısımları arasında bir lineer doğru çıkarımı yapılmaktadır. Knn kümeleme yöntemi ile.
# Bu doğruların birbirine olan açıları ile iki frame arası dönme farkını yaklaşımsal olarak bulmaktadır."
# @Note : "Framelerin resize değeri, noktaların % kaçlık kısımlarının alınacağının ve feature dedectior'un parametlerine
# dikkat edilmedilir. Bu parametreler algoritmanın yaklaşımsal sonuç değerinde önemli yere sahiptir. "
# Version 0.0.1: "Feature Dedection ve İlgili alanların sınıflandırılması "
# ...
# 02 AĞUSTOS 2022 Sal, 13:00 - "Fatih HAŞLAK"
# Version 0.0.2: "İlgili alanların kordinat sisteminde nokta olarak belirtilip
# en uygun line bulunması ve tüm noktaların mın max'ında ki açı değerinin
# yaklaşıksal olarak hesaplanması"
# ...
# 3 Ağustos 2022 Çar, 08:00 - "Fatih HAŞLAK"
# Version 0.0.3: ""
# ...
# Ağustos 2022 , 08:30 - "Fatih HAŞLAK"
import math
from numpy.linalg import lstsq
import cv2
import imutils
import matplotlib.pyplot as plt
import numpy as np
from skimage.measure import ransac
from skimage.transform import ProjectiveTransform, AffineTransform
import time
fig, ax = plt.subplots() #plotun şeklini ayarlama
ax.set(xlim=(0, 400), xticks=np.arange(1, 1),
ylim=(0, 400), yticks=np.arange(1, 1))
chos = cv2.imread("nestle.jpg", 1)
chos = cv2.resize(chos,(400,400))
cho = cv2.imread("nestle.jpg", 1)
cho = cv2.resize(cho,(400,400))
deg=0 #kaç derece döndüreceksin
deg_1=0
chop=cho.copy()
cho = imutils.rotate(cho,deg)
chos = imutils.rotate(chos,deg_1)
if deg not in [0, 90, 180, 270, -90, -180, -270]:
shape = (chop.shape[0], chop.shape[1])
cho = cv2.resize(cho, shape, interpolation=cv2.INTER_AREA)
print("Input Degree of frame 1 and 2 : ",deg,deg_1)
chos_d=chos.copy()
cho_d=cho.copy()
sift = cv2.xfeatures2d.SIFT_create() #Orb feature dedector olusturucu
kp1, des1 = sift.detectAndCompute(chos, None)
kp2, des2 = sift.detectAndCompute(cho, None)
FLAN_INDEX_KDTREE = 0
index_params = dict (algorithm = FLAN_INDEX_KDTREE, trees=5)
search_params = dict (checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch (des1, des2,k=2)[0]
good_matches=[]
uz=int(len(matches)/2) #toplam eşlenmiş nokta sayısının yarısı
matches1=matches[0::2] #karşılatırmak icin tek ve çift olarak böldüm index olarak #0 2 4 6
matches2=matches[1::2] #1 3 5 7
good_matches = sorted(matches, key = lambda x: x.distance) #mesafeye göre sırala
#print(len(good_matches)) #eşlesen toplam nokta
if(len(good_matches)==0):
print("Eşleşme yok")
exit()
src_pts = np.float32([ kp1[match.queryIdx].pt for match in good_matches ] ).reshape(-1, 2) #source image pointler x,y
dst_pts = np.float32([ kp2[match.trainIdx].pt for match in good_matches ] ).reshape(-1, 2) #hedef image pointler x1,y1
start = time.time()
model, inliers,residual = ransac( #min_samples kadar data arasında doğru çizerekten inliers bakıyor resıdual thresholda gore
(src_pts, dst_pts),
AffineTransform, min_samples=4,
residual_threshold=1, max_trials=100,random_state=0
)
print(model)
print()
print("Residual",residual)
end = time.time()
print("Time cost",end-start)
n_inliers = np.sum(inliers)#toplam nokta sayım
inlier_keypoints_left = [cv2.KeyPoint(point[0], point[1], 1) for point in src_pts[inliers]] # new source points
inlier_keypoints_right = [cv2.KeyPoint(point[0], point[1], 1) for point in dst_pts[inliers]]# old source points
placeholder_matches = [cv2.DMatch(idx, idx, 1) for idx in range(n_inliers)] #eşleşenler
list_p1=[]
list_p2=[]
sy=0
#src_pts ve dst_pst sıralı ve karşılıklı bir şekilde duruyor.
syc=0
for point in src_pts[inliers]: #source pointlerimin inlier noktalarını al ve list_p1'e at.
list_p1.append((point[0],point[1]))
for point in dst_pts[inliers]: #hedef pointlerimin inlier noktalarını al ve list_p2'e at.
list_p2.append((point[0],point[1]))
lenght=int(len(list_p1))
print("Data uzunluğum point sayisi",lenght)
point_cloud_data=int((lenght/100)*40) #bu datamın yüzde x ini kadar al
point_p1=list_p1[0:][0:point_cloud_data] #point p1 in içine at ve arraye çevir
point_p2=list_p2[0:][0:point_cloud_data] #point p1 in içine at ve arraye çevir
point_p1=np.array(point_p1).astype(np.int64)
point_p2=np.array(point_p2).astype(np.int64)
print("Point_cloud_data_len :",point_cloud_data)
x=point_p1[0:,0] # 1.fonksiyonun x datası
y=400-point_p1[0:,1] # 1.fonskyionun y datası (400=shape)
x1=point_p2[0:,0] # 2.fonksiyonun x datası
y1=400-point_p2[0:,1] #2.fonksyıonun y datası
plt.scatter(x, y)
plt.scatter(x1, y1)
from sklearn.cluster import KMeans
knn=KMeans(n_clusters=2, random_state=0) #etiketsiz kümele algoritması
knn.fit(point_p1)#point p1 için fitle
center=knn.cluster_centers_ #best match oldugu ıcın start end aynı oldu duzeltılcek
center_1=np.array( [center[0,0],400-center[0,1]] ) #start points
center_2=np.array( [center[1,0],400-center[1,1]] ) #end points
plt.scatter(#merkez nokta koyma
knn.cluster_centers_[:, 0], 400-knn.cluster_centers_[:, 1],
s=125, marker='*',
c='black', edgecolor='black',
label='centroids')
print(" ")
knn2=KMeans(n_clusters=2, random_state=0)
knn2.fit(point_p2) #point p2 için fit et
center2=knn2.cluster_centers_ #center noktalarım
center_3=np.array( [center2[0,0],400-center2[0,1]] ) #start points
center_4=np.array( [center2[1,0],400-center2[1,1]] ) #end points
#iki noktası bilinen doğrunun denklemi
x_coords_1, y_coords_1 = (center[0,0],center[1,0]),(400-center[0,1],400-center[1,1])
A = np.vstack([x_coords_1,np.ones(len(x_coords_1))]).T
m, c = lstsq(A, y_coords_1,rcond=-1)[0]
print("Line Solution is 1 y1 = {m}x + {c}".format(m=m,c=c))
plt.plot(point_p1[0:,0], m*point_p1[0:,0]+c)#plot et
#iki noktası bilinen doğrunun denklemi
x_coords_2, y_coords_2 = (center2[0,0],center2[1,0]),(400-center2[0,1],400-center2[1,1])
A = np.vstack([x_coords_2,np.ones(len(x_coords_2))]).T
m_1, c_1 = lstsq(A, y_coords_2,rcond=-1)[0]
print("Line Solution is 2 y2 = {m}x + {c}".format(m=m_1,c=c_1))
plt.plot(point_p2[0:,0], m_1*point_p2[0:,0]+c_1)#plot et
plt.scatter(
knn2.cluster_centers_[:, 0], 400-knn2.cluster_centers_[:, 1],
s=125, marker='*',
c='yellow', edgecolor='black',
label='centroids'
)
print("center1=",center_1,center_2)
print("center2=",center_3,center_4)
vector1=np.array([center_1,center_2]) #centerları yaz kontrol edelim
vector2=np.array([center_3,center_4])
print()
def quadrant(va,degree):
if(va[0]>0 and va[1]>0):#bölge 1
return degree
elif(va[0]>0 and va[1]<0): #bölge 4
return degree+360
else:
return degree+180 #bölge 3
def ang(point_p1, point_p2):
# Get nicer vector form
#inital point x end point x inital point y end point y
vA = [(point_p1[0,0]-point_p1[1,0]), (point_p1[0,1]-point_p1[1,1])] #(p1 ilk x - p1 son x), (p1 ilk y p1 son y)
#vA type=list #örnek [31, -98] Rows: 2
vB = [(point_p2[0,0]-point_p2[1,0]), (point_p2[0,1]-point_p2[1,1])] #(p2 ilk x - p2 son x), (p2 ilk y p2 son y)
print("vector A",vA)
print("vector B",vB)
ilk=math.degrees(math.atan(vA[1]/vA[0])) #karşı bölü komşu
son=math.degrees(math.atan(vB[1]/vB[0]))
degg = (quadrant(vA,ilk) - quadrant(vB,son) ) #quadrant ile bölge tahmini yap ve dereceyi ayarla
if(degg<0):
degg += 360
return degg
deger=ang(vector1,vector2) #fonksiyonu cagır
print("Degree of real",deger)
counter=0
for i in point_p1:
image = cv2.circle(chos_d, (int(point_p1[counter,0]),int(point_p1[counter,1])), 5, (250,250,146), -1)
counter+=1
if(counter==point_cloud_data):
break
counter=0
for i in point_p2:
image = cv2.circle(chos_d, (int(point_p2[counter,0]),int(point_p2[counter,1])), 5, (250,0,146), -1)
counter+=1
if(counter==point_cloud_data):
break
####
cv2.imshow("Circle_Image",image)
image3 = cv2.drawMatches(chos, inlier_keypoints_left, cho, inlier_keypoints_right, placeholder_matches, None,flags=0)
cv2.imshow('Matches zort', image3)
cv2.waitKey(3)
plt.show()
cv2.waitKey(0)