SIFT的关键点描述符有 128维特征向量 , 最有效的方法是采用穷尽搜索算法进行图像匹配。对于两个特征集 ,求第一个特征集中的每个关键点在第二个特征集中的匹配点 , 即求第一个特征集中的每个关键点在第二个特征集中的最近邻与次近邻的距离比率 ratio, ratio小于某个阈值的对应点认为是正确匹配, 否则抛弃。 因此 ratio 的选择非常重要 ,
Lowe文章推荐 ratio为 0. 8, 但作者对大量任意存在尺度、旋转和亮度变化的两幅图片进行匹配,结果表明 ratio取值在 0. 4 ~ 0. 6之间最佳 ,小于 0. 4的很少有匹配点 , 大于 0. 6的则存在大量错误匹配点 。作者建议 ratio的取值原则如下:
ratio =0. 4 对于准确度要求高的匹配;
ratio =0. 6 对于匹配点数目要求比较多的匹配
ratio =0. 5 一般情况下。
也可按如下原则:当最近邻距离 <200时 ratio=0. 6, 反之 ratio =0. 4。 ratio的取值策略能排除部分错误匹配点 。
为了进一步去除错误匹配,提高匹配准确率 ,根据交集的思想 ,提出双向匹配算法 :基于上述第一次匹配结果 ,反过来求第二个特征集中已被匹配的关键点在第一个特征集中匹配点, 即求已被匹配的关键点在第一个特征集中的最近邻与次近邻的距离比率 ratio, ratio小于某个阈值的匹配点才认为是正确匹配 。这里 ratio 都取 0. 6, 以找到尽可能多的匹配点 。
计算 SIFT 特征向量时, 同一点可能有多个方向, 因此属于不同的特征点, 他们中间的全部或部分可能产生正确的匹配对 ,但它们实际上是同一点 ,因此需要根据像素坐标删除这些重复的匹配点 。双向匹配可去除大部分的重复匹配点 。
sift双向匹配
最新推荐文章于 2022-05-29 15:42:16 发布