圖像處理與機器視覺 課件 第9章 特征匹配

第九章圖像特征匹配

特征匹配的策略特征匹配的基本思路：通過度量特征描述子之間的距離來評估它們之間的相似性，距離越小表示特征之間的相似度越高，匹配程度也就越高。常見的距離度量方法包括歐氏距離、漢明距離和曼哈頓距離特征匹配的策略基于單閾值法的圖像特征匹配思想：閾值內(nèi)的所有特征均匹配特征匹配的策略基于最近鄰法的圖像特征匹配思想：閾值內(nèi)的，距離最近的特征匹配特征匹配的策略基于最近鄰比值法的圖像特征匹配思想：最近鄰距離比率在閾值內(nèi)的特征匹配最近鄰距離比率：特征匹配的評價標(biāo)準(zhǔn)預(yù)測結(jié)果真實結(jié)果匹配不匹配

匹配TP（正確肯定）FN（漏報）

不匹配FP（誤報）TN（正確否定）真陽性率：假陽性率：陽性預(yù)測值：特征匹配的評價標(biāo)準(zhǔn)理想的ROC曲線以假陽性率為橫軸，真陽性率為縱軸，隨著匹配閾值的變化，可以在二維坐標(biāo)系上得到一系列點，連接這些點可以得到ROC（ReceiverOperatingCharacteristic）曲線。暴力匹配(a)原圖像(b)原圖像視角變換后的圖像暴力匹配思想：遍歷倆幅圖像中的所有特征，尋找距離最近的一組特征匹配。優(yōu)點：易于理解和實施。缺點：準(zhǔn)確度不高，容易出現(xiàn)錯誤匹配。暴力匹配圖像進行暴力匹配后的結(jié)果KD-樹匹配構(gòu)造KD-樹：1、選擇特征描述符一個特征維度用于將數(shù)據(jù)點進行切分；2、在選定的維度上選擇一個值，根據(jù)大小將數(shù)據(jù)點分為兩個子集；3、根據(jù)所劃分的兩個子集構(gòu)建左右兩個子樹；4、對于每個子樹，重復(fù)選擇劃分維度和劃分值的步驟，直到達到終止條件。查詢KD-樹：1、從根節(jié)點開始，在當(dāng)前維度上選擇與查詢點值最接近的子樹，遞歸地向下遍歷KD-樹；2、在每次訪問的節(jié)點上計算查詢點與該節(jié)點之間的距離3、完成對一個子樹的遍歷后，會回溯到父節(jié)點，并檢查另一個子樹是否可能包含更近的點；KD-樹匹配KD-樹匹配結(jié)果RANSAC算法RANSAC是一種通過反復(fù)選擇數(shù)據(jù)集并迭代估計出較好模型的算法。步驟：1、隨機從特征點匹配的數(shù)據(jù)集中隨機抽出4個樣本數(shù)據(jù)(此4個樣本之間不能共線)，然后計算出變換矩陣H，記為模型M；

變換矩陣公式：?2、計算數(shù)據(jù)集（所有特征匹配點）中所有數(shù)據(jù)與模型M的投影誤差，若數(shù)據(jù)的投影誤差小于設(shè)定的閾值，則將該數(shù)據(jù)加入內(nèi)點集I；

投影誤差：RANSAC算法3、如果當(dāng)前內(nèi)點集I元素的個數(shù)大于最優(yōu)內(nèi)點集I_best，則更新I_best=I，同時更新迭代次數(shù)k（最優(yōu)內(nèi)點集不一樣，對應(yīng)的更新迭代次數(shù)k也就不同)；k的計算公式：4、如果計算的迭代次數(shù)大于k（由