我目前正在实施用于计算机视觉分配的全景装订器，我对第二最佳比率测试有疑问（如Lowe的SIFT论文中所述）。这是我对每个图像计算兴趣点/描述符后要做什么的理解：
对于图像1中的每个描述符，我们在图像2中找到2个最接近的描述符匹配。如果最近邻居在某个阈值内，我们计算每个邻居与图像1中的描述符的距离的比率。如果比率是足够低（即最近的邻居比第二个最近的邻居相对更近），那么我们认为这是一个很好的匹配。
看起来这个过程是不对称的，因此切换图像1和图像2将改变找到的匹配。例如，假设图像1具有一些不同的点P1，并且图像2具有两个相似的区别点P2和P3。假设我们的兴趣点检测器找到所有这3个点，并为所有这些点计算类似值的描述符，并且所有其他兴趣点都在描述符空间中很远。
现在假设我们运行如上所述的特征匹配，迭代图像1中的兴趣点。当我们到达P1时，我们将拒绝与P2或P3的匹配，因为第二个最佳比率测试（两者都类似地距离特征空间中的P1。）
然而，迭代图像2似乎有不同的结果。我们遍历P2和P3，两次都为P1分配匹配，因为在图像1中没有紧密的第二个邻居。
这似乎是运行算法时的一个真正的问题，所以我假设我错过了什么。当迭代图像2时，我们是否应该在发现它们与图像1中的相同点匹配后比较dist（P2，P1）和dist（P3，P1）之间的比率？即使我们这样做，看起来在运行从图像1到图像2的匹配之间仍存在一些固有的不对称性，反之亦然。算法中有一个我缺少的步骤吗？
答案 0 :(得分：2)
很快，是的，它是不对称的。你不要错过这一步。拼接真的有问题吗？你已经有数百场精彩的比赛......