基于sift的特征匹配算法

通过估计错误率来评估模型 。
• 这个过程被重复执行固定的次数，每次产生的模型要么因为局内点太 少而被舍弃，要么因为比现有的模型更好而被选用。
SIFT特征匹配
RANSAC算法
图像融合
图像拼接
SURF算法
SURF算法
SURF算法
surf
sift
RANSAC算法对SIFT特征筛选
从样本集中随机抽选一个RANSAC样本
//可优化
计算模型：根据匹配点对计算变换矩阵M
findFundamentalMat（） 函数
用模型测试样本集，返回一致集元素个数
内点个数，判断方式
判断是否最优(最大)一致集，更新当前最 优一致集，重新计算新的模型
drawMatches（） 函数内点重新匹配
基于sift的特征匹配算法
读取图片 特征点检测
生成一个个SiftFeatureDetector的对象，即 SIFT特征的探测器，探测图片SIFT点的特征， 存到一个KeyPoint类型的vector中。
特征点提取
建立SiftDescriptorExtractor对象，对之前SIFT 产生的特征点进行遍历，找到特征点对应的特征 向量，计算特征矩阵。 所有keypoint关键点的特征向量被保存到了一个 MAT的数据结构中，作为特征。
显示
筛选出较好的匹配点，画出匹配结果
基于sift的特征匹配算法
基于sift的特征匹配算法
匹ຫໍສະໝຸດ Baidu错误？！！！
RANSAC算法对SIFT特征筛选
• 随机抽样一致性（RANSAC）算法，可以在一组包含“外点”的数据 集中，采用不断迭代的方法，寻找最优参数模型。 • Sift中使用的是最小二乘法 • 但最小二乘法只适合与误差较小的情况。假使需要从一个噪音较大的 数据集中提取模型（比方说只有20%的数据时符合模型的）时，最小 二乘法就显得力不从心了。例如下图，肉眼可以很轻易地看出一条直 线（模式），但算法却找错了。
注：keypoint只 是保存了opencv 的sift库检测到的 特征点的一些基 本信息，但sift所 提取出来的特征 向量其实不是在 这个里面。
匹配
计算匹配结果中距离的最大和最小值。 距离是指两个特征向量间的欧式距离，表明两 个特征的差异，值越小表明两个特征点越接近
创建特征匹配器 SiftDescriptorMatc her,match函数匹 配两个图像特征 矩阵