假设我有一组N张图像，并且我已经计算了每个图像的SIFT描述符。我知道要计算不同功能之间的匹配。我听说过一种常见的方法是Lowe比率测试，但我不知道它是如何工作的。有人可以向我解释吗？
答案 0 :(得分：19)
简短版本：第一张图片的每个关键点都与第二张图片中的许多关键点匹配。我们为每个关键点保留2个最佳匹配项（最佳匹配项=距离测量值最小的匹配项）。 Lowe的测试检查两个距离是否足够不同。如果不是，则消除关键点并将其用于进一步的计算。
长版：
David Lowe提出了一种简单的方法来过滤关键点匹配项，方法是在次优匹配项几乎相同时消除匹配项。请注意，尽管在计算机视觉的背景下得到了普及，但该方法并不与CV相关。在这里，我将介绍该方法以及在计算机视觉环境中如何实现/应用该方法。
让我们假设L1是图像1的关键点集，每个关键点都有一个描述，该描述列出了有关关键点的信息，该信息的性质实际上取决于所使用的描述符算法。 L2是图像2的关键点集。典型的匹配算法将通过为L1中的每个关键点找到L2中最接近的匹配来工作。如果使用欧几里得距离，如Lowe的论文中所述，这意味着集合L2中的关键点到L1中的关键点的欧几里德距离最小。
在这里，我们可能会试图设置一个阈值并消除距离超过该阈值的所有配对。但这不是那么简单，因为描述符中的并非所有变量都是“判别式”的：两个关键点可能具有较小的距离度量，因为其描述符中的大多数变量具有相似的值，但是这些变量可能与实际匹配无关。总是可以对描述符的变量加权重，以便更具区分性的特征“计数”更多。 Lowe提出了一种更为简单的解决方案，如下所述。
首先，我们将L1中的关键点与L2中的两个关键点进行匹配。从假设图像1中的一个关键点在图像2中不能有多个等效项的假设出发，我们推断出这两个匹配项都不都是正确的：至少其中之一是错误的。按照Lowe的推论，距离最小的匹配为“良好”匹配，距离第二小的匹配则等于随机噪声（基本速率）。如果无法将“良好”匹配与噪音区分开，则应拒绝“良好”匹配，因为它不会带来任何有趣的信息方面的信息。因此，通常的原则是，最佳和次佳匹配之间必须有足够的差异。
如何充分利用“足够的差异”这一概念很重要：Lowe使用两个距离的比率，通常表示为：
if distance1 < distance2 * a_constant then ....
其中distance1是关键点与其最佳匹配之间的距离，而distance2是关键点与其次佳匹配之间的距离。使用“小于”符号可能会造成一些混淆，但是当考虑到较小的距离意味着该点更近时，这将变得显而易见。在OpenCV世界中，knnMatch函数会将匹配项从最佳返回到最差，因此第一场比赛的距离更短。问题实际上是“多小？”为了弄清楚，我们将distance2乘以必须在0到1之间的常数，从而减小distance2的值。然后我们再看一下distance1：它是否仍小于distance2？如果是，则它通过了测试，并将被添加到好点列表中。如果没有，则必须消除它。
因此，它解释了“小于”部分，但是乘法呢？由于我们正在研究距离之间的差异，所以为什么不仅仅使用distance1和distance2之间的实际数学差异呢？尽管从技术上讲我们可以做到，但最终的差异将是绝对的，它太依赖于描述符中的变量，我们使用的距离测量的类型等。如果提取描述的代码发生变化并影响所有距离测量，该怎么办？ ？简而言之，距离1-距离2的鲁棒性较差，需要频繁调整，并使方法的比较更加复杂。都是关于比率。
外卖消息：Lowe的解决方案之所以有趣，不仅是因为它很简单，而且因为它在很多方面都与算法无关。
答案 1 :(得分：0)
为了更好地理解比率测试，您需要阅读他的文章。只有阅读文章，您才能找到答案。 简单的答案是它很低，这是Lowe在他的实验中实现的，并建议在两个相似距离之间进行选择，选择一个距离为0.7的距离。
答案 2 :(得分：0)
距离比= d(fi, fc)/d(fi, fs) 可以定义为图像1中的特征fi和图像2中最接近的匹配fc之间的距离。在特征fi和fs之间计算的距离上，图像2中的第二个最接近的匹配。
通常，我们将距离比阈值（ρ）设置为0.5左右，这意味着我们要求最匹配的距离至少是我们与初始特征描述符的第二个匹配距离的两倍。因此，放弃了我们含糊不清的比赛，并保留了好比赛。