匹配准则

前言

被好多中文论文给弄晕了（是该多看看英文的，可是一方面英语太垃圾了，另一方面真的不想看英语，也不咋会找英文文献，今后需要克服一下），竟然理解为是RACSAC处理后的点对就是正确匹配点（想打死自己）。
1、RANSAC是剔大粗差：剔除后的点仍可能存在错误点对
2、RANSAC算法也可以看成二次匹配算法，有的学者这样认为（基于非参数模型的点集匹配
算法研究，这篇博士论文写得很不错，把一些新想法用到了匹配上）
贴出这篇贴，为了像我一样的入门小白，可以少迷茫些，哈哈哈

precision 、recall

——精确率是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；
——召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
在信息检索中：
精确率 = 提取出的正确信息条数 / 提取出的信息条数
召回率 = 提取出的正确信息条数 / 样本中的信息条数

在特征匹配中：

precision（精确率） = 正确匹配点对 / 某种算法所提取的匹配点对
recall（召回率） = 正确匹配点对 / 应该匹配的点对

• 应该匹配的点对：一个影像根据数据集提供的变换矩阵（单应矩阵、基础矩阵），与另一个影像变换到同一坐标系下，计算两像素点的差值，设置阈值e（之前有的论文认为是1.5，着看具体需要吧，详细看参考博客），若d<e，则认为是一对匹配点对。
• 正确匹配点对：提取的匹配点对在应该匹配的点对的范围内话，则为正确匹配点对
  
• TP：被正确标记为正确的匹配点对，实际也是正确匹配点对
• FP：被错误标记为正确的匹配点对，实际是错误匹配点对
• TN：被正确标记为错误的匹配点对，实际也是错误匹配点对
• FN：被错误标记为错误的匹配点对，实际是正确匹配点对
  Recall与TPR的意思相同，Precision与FPR意思相同（只不过在不同应用领域吧，TPR、FPR常用于分类）

为了增加理解，贴出上面我推荐的博士论文的相关图表及文字

ROC、TP曲线

在PR曲线中，以Recall为x轴，Precision为y轴，如下图：（参考博客二写得很清楚）右上凸效果较好

ROC，以FPR（recall）为x轴、TPR（precision）为y轴，相当与PR相同，应用不同，其是左上凸情况较
参考博客三绘制ROC等

参考博客：

https://blog.csdn.net/cgwang_1580/article/details/68944319
http://blog.sina.com.cn/s/blog_17b9e19320102x7ru.html
http://www.cnblogs.com/haoguoeveryone/p/haoguo_5.html