第三、BFMatcher与Flann特征点匹配方法效果对比 _特征

进算计视觉课程，图像处理实例共享。
文章目录
第一、文章实现内容及算法步骤简介使用两张自己拍摄的横向位移差图像，验证算法，实现步骤如下：使用高斯滤波器对图像进行滤噪图像预处理。分别对图像进行特征点提取。特征点提取方法主要有FAST、SURF、、BRIEF，在本例中使用SIFT提取方法。根据提取的特征点，使用特征点匹配方法和条件得到两张图片的特征点对。本例主要对特征点匹配方法和Flann特征点匹配方法进行效果比较和运用。根据得到特征点对使用鲁棒方法对特征点对进行筛选，排除错误的特征点对，提高两张图像相似特征对的正确匹配度。常用的鲁棒方法主要有LMEDS、 RHO()和算法，本例中使用算法来进行特征点对筛选。写出邻近点匹配列表，并且校正漂移。读取变形图像做透视变换，将变形图像和原图像进行融合拼接。特征点匹配对图像显示，拼接图像结果显示。
第二、SIFT特征提取方法简介及效果SIFT(Scale-)尺度不变特征变换，其对刚体变换、光照强度、物体尺度变化和遮挡的情况时稳定性较好，可用于检测图像局部特征描述子即特征点。SIFT特征提取方法的主要走实现步骤主要包括：特征点提取、特征点方向获取、对特征点进行描述、特征点匹配。SIFT特征提取方法具体实现效果如图1所示。
图1 SIFT特征点提取效果显示图
第三、与Flann特征点匹配方法效果对比特征点匹配是一种常见的二维特征点段匹配方法，因其总是尝试所有可能特征点对匹配的算法运行特性，又俗称为“暴力匹配法”，虽算法实现简单但也具有运行速度慢、错误率高的特点。方法的运作过程大致分成三步：第一步，发现两幅图片分别提取出来N，M个特征向量；第二步，对N和M的特征向量进行匹配，根据用户设定的限制条件，找到最佳匹配特征点对；第三步，画出特征匹配结果。方法的特征匹配效果如图2所示（仅显示10个特征点）。
图2 特征点提取效果显示
Flann(Fast)快速最近邻特征点匹配，找到的是最近邻近特征匹配，具有算法快速但易受到失真、缩放的影响的特点。Flann算法的实现步骤如下：第一步，首先训练一个匹配器，以提高匹配速度；第二步，建立特征集的索引树，将图片每一个特征点和该匹配器进行匹配；第三步，找出最佳匹配特征点对。Flann算法可以通过设置截断值来去除误差大的匹配，其特征匹配效果如图3所示（仅显示10个特征点）。
图3 Flann特征点提取效果显示图
从图2和图3的特征点匹配效果进行对比，不难得到Flann算法比算法匹配效果更好的结论。由于本例核心为算法，所以本例最后选择错误率高，更能够体现算法筛选性能的特征匹配方法。
第四、随机采样一致性算法详解(）算法,是一种利用一组以“外点”构成的特征点对数据组中，进行正确估计并得到“内点”的数学模型迭代方法。其中，“外点”指数据组中的噪声或者离群点，在本例中值匹配错误的特征点对；“内点”指组成模型参数的数据即目标数据，在本例中指图像边缘正确匹配特征点对。算法是一种较为不稳定的算法，是一种基于概率不断极性迭代的算法，算法具体实现原理如下：假设内点在总数据集中的占比r 。得到取n个点时取到错误点即外点的概率1-pow(r,n) 。若进行k次迭代寻找正确点即内点，则最后能够得到正确模型的概率为 1-pow((1-pow(r,n),k) 。经过1~3步，最终可以得到内点占比为r的条件下，需要迭代次数

文章插图
上述算法在原图中特征点对的分类效果如下图4所示，可一看到分类线旁边的点占总数据集的大部分，即离散程度最小。