Question

我有一组超过1000张图片的图像。对于每个Image我提取SURF描述符。现在，我将添加一个查询图像，并希望尝试在图像集中找到最相似的图像。出于性能和内存的原因，我只使用描述符为每个图像提取200个关键点。这或多或少是我的问题。目前我通过这样做来过滤匹配：

Symmetrie Matching： 简单的BruteForce在两个方向上匹配。所以从Image1到Image2 从Image2到Image1。我只保留两者中存在的比赛方向。

    List<Matches> match1 = BruteForceMatching.BFMatch(act.interestPoints, query.interestPoints);
    List<Matches> match2 = BruteForceMatching.BFMatch(query.interestPoints, act.interestPoints);

    List<Matches> finalMatch = FeatureMatchFilter.DoSymmetryTest(match1, match2);

    float distance = 0;
    for(int i = 0; i < finalMatch.size(); i++)
        distance += finalMatch.get(i).distance;

    act.pic.distance = distance * (float) query.interestPoints.size() / (float) finalMatch.size();

我知道有更多的过滤方法。你怎么看我尝试用最终比赛的数量来衡量距离。但我没有感觉我这样做是正确的。当我查看其他方法时，它们看起来都会计算出图像中存在的所有extractet兴趣点。有没有人有这个好方法？或者加权距离的好主意？

我知道没有黄金解决方案，但是一些经验，想法和其他方法会非常有用。

Answer 1

所以＆＃34;匹配1＆＃34;表示一个数据库图像和＆＃34; match2＆＃34;的定向匹配。查询图像，＆＃34; finalMatch＆＃34;是这些图像和＆＃34; finalMatch.get（i）.distance＆＃34;之间的所有匹配。是两个有向距离之间的某种平均值。

所以你要做的是，你计算距离总和的平均值，然后用你拥有的兴趣点数量来衡量它们。我假设的目标是对整体图像的匹配程度有一个很好的预测。

我很确定你计算的距离并不能很好地反映这种相似性。将距离之和除以匹配数量是有意义的，这可能会让您在与其他查询图像进行比较时了解相似性，但是使用兴趣点数量来缩放此值并不能做任何有意义的事情。

首先，我建议您摆脱这种缩放。我不确定你的蛮力匹配究竟是什么，但除了你的对称性测试之外，你应该放弃第一个和第二个候选者的比例高的匹配（如果我没记错的话，Lowe建议一个阈值0.8）。然后，如果它是一个刚性场景，我建议您应用某种基本矩阵估计（8点算法+ RANSAC）并使用极线几何过滤结果。我非常确定＆＃34;真实＆＃34;的平均值。匹配将让你对＆＃34;相似性＆＃34;数据库图像和查询。

修复了类似图像检测的关键点数量

1 个答案: