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 xu ,离它最近的5个点有4个属于 w1 ,1个属于 w3 ,那么我们可以认为这个未知点 xu 是属于 w1 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: