解读SIFT中的得分

Question

我在matlab中使用SIFT算法来确定模板图像和一组图像之间的相似性，最后我必须根据SCORES确定图像集之间的最佳匹配，是否可以这样说图像得分越高，匹配越好？ 我知道当有完全匹配时，得分为零，但如果图像相似怎么办？

Answer 1

我假设SCORES是指一对匹配描述符（例如欧几里德距离）之间的相似性度量。如果我的假设是正确的，统计平均所有匹配（例如SSD）的分数应该给你两个图像之间的一定程度的相似性。即，平均分数越小，相似性越高，零意味着完美匹配。要改进此相似性度量，您可以查看RANSAC，它可以删除匹配描述符集中的异常值。

编辑：平均匹配分数当然只有在匹配描述符的百分比足够高时才有意义（正如Maurits建议的那样）。因此，计算匹配和平均距离的组合可能是一种合理的方法。

Answer 2

这个问题比可能看起来更为复杂。要想到这个想法，请尝试仅根据l1或l2距离在模板和目标图像之间匹配SIFT描述符并显示结果。因此，当l1或l2距离最小时，将每个模板点与目标点匹配。就指标而言，您无法做得更好。但是，在视觉上，您会看到这会产生不良结果。

这使人们有了不同的匹配策略。大多数程序部署的默认值是使用l2距离匹配，但仅接受两点之间的匹配，如果第二个最佳匹配显着（例如60％）更差。它运作得很好，但在这个策略中，有些点永远不会匹配。作为“得分”，您可以首先尝试模板与成功匹配或配对的图像之间的点数百分比。

大多数人在顶部部署的策略是确定在匹配的模板和图像点之间，应该保持x= Ax'之类的关系。这意味着，如果图像是模板的旋转副本，我们希望在匹配的SIFT点A和x'之间找到旋转矩阵x。为这种关系设置的大量匹配点集合的常用方法是RANSAC。所有不符合此共识变形A的点都可以作为异常值从集合中移除。

这种方法的一个很好的演示可以在Peter Kovesi's site找到。