LPC的RMSE代码

2021年cvpr-Leveraging Line-point Consistence to Preserve Structures for Wide Parallax Image Stitching（LPC）这篇论文作者给的评价指标代码。

function [ rmse ] = RMSE( img, C1, C2, pts1, pts2, mesh_X, mesh_Y, off )X_col = linspace(1,size(img,2), C2+1); % column index of cells
Y_row = linspace(1,size(img,1), C1+1); % row index of cells
x_dis = X_col(2)-X_col(1);  % the width of scale-cell
y_dis = Y_row(2)-Y_row(1);  % the height of scale-cellMesh_p = zeros(4, 2);
rmse = 0;for i=1:size(pts1, 2)point = [pts1(1,i), pts1(2,i)];px = min( find(point(1)-X_col<x_dis & point(1)-X_col>=0, 1), C2); % the x index of point's positionpy = min( find(point(2)-Y_row<y_dis & point(2)-Y_row>=0, 1), C1); % the y index of point's positionMesh_p(1:4,:) = [X_col(px), Y_row(py);     % v1X_col(px+1), Y_row(py);   % v2X_col(px+1), Y_row(py+1); % v3X_col(px), Y_row(py+1)];  % v4coeff_mesh_p = meshGridAlign(Mesh_p, point);v1 = [mesh_X(py, px), mesh_Y(py, px)];v2 = [mesh_X(py, px+1), mesh_Y(py, px+1)];v3 = [mesh_X(py+1, px+1), mesh_Y(py+1, px+1)];v4 = [mesh_X(py+1, px), mesh_Y(py+1, px)];warp_point = [coeff_mesh_p(1)*v1(1)+coeff_mesh_p(2)*v2(1)+coeff_mesh_p(3)*v3(1)+coeff_mesh_p(4)*v4(1),coeff_mesh_p(1)*v1(2)+coeff_mesh_p(2)*v2(2)+coeff_mesh_p(3)*v3(2)+coeff_mesh_p(4)*v4(2)];point_ref = [pts2(1,i); pts2(2,i)];rmse = rmse + norm(warp_point - point_ref);% 我认为的代码应该是% rmse = rmse + norm(warp_point - point_ref).^2;
end
rmse = rmse/size(pts1, 2);
rmse = sqrt(rmse);

作者在求出特征点之间的距离向量的范数后，没有平方。得到的实验数据下图所示：

APAP的实验指标是直接从APAP论文里面抄的，感觉apap的论文实验指标和他的论文指标不大一样。

实际的实验结果图：

1. APAP结果图

不用多说apap这个效果很好

2. SPW结果图

SPW房屋上有很明显重影。

3. LPC结果图

LPC在近景的地面上有很明显的错位。

总结

从他的实验指标上看，SPW、LPC和APAP效果差不多
但实际实验效果上，APAP 是明显好于 LPC 和SPW的。

为什么会这样？

可能因为直线匹配算法的问题，线匹配太容易出错，从直线上采样特征点，容易导致有直线的区域局部配准错误

我更改后的RMSE结果

temple 在 APAP 的 RMSE 是2.2。
temple 在SPW 的 RMSE 是5.7。
temple 在LPC中的RMSE: 3.7。

LPC 实验结果：

SPW实验结果图

APAP–RMSE定义：