私はHartleyとZissermanの多視点ジオメトリテキストを使って作業しており、Fundamental行列を計算するためのゴールド標準アルゴリズムを実装しています。これには、Levenberg-Marquardtを使用して非線形最小化問題を解く必要があります。Matlab lsqnonlin in Python
私はこれをscipy.optimize.least_squares
で実装しましたが、性能はlsqnonlin
を使用する同様の(たとえば、同じ機能性の)MATLABコードの次数よりも遅いです。いずれにしても、私はヤコビ行列、またはヤコビ行列の希薄さのマスクを供給していません。
計算時間に関して、これは利用可能なscipyソルバの範囲に当てはまります。 MATLABに同様の性能(数値&の速度)を持つ代替案が存在するのか、ラップされコンパイルされたソルバーに移動する必要があるのだろうか?
コード要求コメントの編集。私は挿入されたコードの総量を制限しようとしています。
MATLABは:
P2GS = lsqnonlin(@(h)ReprojErrGS(corres1,PF1,corres2,h),PF2);
function REGS = ReprojErrGS(corres1,PF1,corres2,PF2)
%Find estimated 3D point by Triangulation method
XwEst = TriangulationGS(corres1,PF1,corres2,PF2);
%Reprojection Back to the image
x1hat = PF1*XwEst;
x1hat = x1hat ./ repmat(x1hat(3,:),3,1);
x2hat = PF2*XwEst;
x2hat = x2hat ./ repmat(x2hat(3,:),3,1);
%Find root mean squared distance error
dist = ((corres1 - x1hat).*(corres1 - x1hat)) + ((corres2 - x2hat).* (corres2 - x2hat));
REGS = sqrt(sum(sum(dist))/size(corres1,2));
三角測量は、すべての点にわたって反復方程式Ax = 0を設定し、SVDを使用して解決する、標準的な方法です。
のPython:これは完全にベクトル化されなければならない
# Using 'trf' for performance, swap to 'lm' for levenberg-marquardt
result = optimize.least_squares(projection_error, p1.ravel(), args=(p, pt.values, pt1.values), method='trf')
# Inputs are pandas dataframe, hence the .values
# Triangulate the correspondences
xw_est = triangulate(pt, pt1, p, p1)
# SciPy does not like 2d multi-dimensional variables, so reshape
if p1.shape != (3,4):
p1 = p1.reshape(3,4)
xhat = p.dot(xw_est).T
xhat /= xhat[:,-1][:,np.newaxis]
x2hat = p1.dot(xw_est).T
x2hat /= x2hat[:,-1][:,np.newaxis]
# Compute error
dist = (pt - xhat)**2 + (pt1 - x2hat)**2
reproj_error = np.sqrt(np.sum(dist, axis=1)/len(pt))
# print(reproj_error)
return reproj_error
。三角測量は上記のとおりです。私はそれを加えることができますが、疑問の大きさを管理しやすいように要点を結びつけるでしょう。
比較のために、両方のコードセットを追加する必要があります。 Pythonコードを書くよりも効率的なMATLABコードを書くことは可能でしょうか? – Dan
関連:[MATLABはなぜ高速な行列乗算をするのですか?](0120-18753) – Adriaan
MATLAB速度のポストは次のとおりです。 scipyコードはBLAS/LaPackを使用する必要があります。上記はパフォーマンスのためにベクトル化する必要があります。 – Jzl5325