kaze算法的图像配准研究（2）-匹配

在特征点检测过后，完成图像间特征点的匹配是非常重要的。对于图像配准工作而言。特征点匹配的准确度是最值得关注的点，宁愿少匹配，也不能误匹配。

我在此图像配准中使用的是KNN匹配：
下面引用自百度百科。

K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一，所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。

如上图所示，如果k=5，那么对于未知点$x_u$，离它最近的5个点有4个属于$w_1$，1个属于$w_3$，那么我们可以认为这个未知点$x_u$是属于$w_1$的。
在特征点匹配的场景中，Lowe设定的匹配规则是1NN，即寻找特征向量离得最近的点进行匹配。但是这样会产生误匹配，因此它又定制了一个规则及1NN/2NN < ratio时，该匹配才生效。Lowe推荐的ratio为0.8。

得到匹配的一系列点后，接下来就是要产生两图像的对应仿射矩阵了。这里采用的是RANSAC法。

最终图像匹配源码为：