我正在为SURF搜索可用的指标。就像一个图像在一个尺度上与另一个图像匹配时，假设0到1，其中0表示没有相似性，1表示相同的图像。
SURF提供以下数据：
到目前为止，我正在尝试一些东西，但似乎没有任何效果：
使用不同集合的大小的度量：d = N / min（大小（Q），大小（T））其中N是匹配的兴趣点的数量。这给出了相当低评级的非常相似的图像，例如， 0.32，即使70个兴趣点与Q中的600个和T中的200个相匹配。我认为70是一个非常好的结果。我正在考虑使用一些对数缩放，所以只有非常低的数字会得到低的结果，但似乎无法找到正确的方程式。使用d = log(9*d0+1)我得到0.59的结果，这是相当不错的，但它仍然有点破坏了SURF的力量。
使用成对距离的指标：我做了类似找到K最佳匹配并添加距离的内容。两个图像相似的距离最小。这个问题是我不知道兴趣点描述符元素的最大值和最小值是什么，从中计算了距离，因此我只能相对地找到结果（来自许多最好的输入）。正如我所说，我希望将指标精确地设置在0和1之间。我需要将其与其他图像指标进行比较。
这两个问题的最大问题是排除另一个问题。一个没有考虑匹配的数量，另一个没有考虑匹配之间的距离。我输了。
编辑：对于第一个，log（x * 10 ^ k）/ k的等式，其中k为3或4，大部分时间给出了很好的结果，min不好，它可以使d在某些极少数情况下大于1，而不会有小的结果。
答案 0 :(得分：6)
您可以轻松创建指标，该指标是两个指标的加权总和。使用机器学习技术来学习适当的权重。
您所描述的内容与基于内容的图像检索领域密切相关，这是一个非常丰富多样的领域。谷歌搜索将获得大量的点击率。虽然SURF是一种出色的通用低中级特征探测器，但远远不够。 SURF和SIFT（SURF的衍生源）在重复或接近重复的检测方面非常出色，但在捕获感知相似性方面效果不佳。
性能最佳的CBIR系统通常利用通过一些训练集最佳组合的一系列特征。一些有趣的探测器包括GIST（最好用于检测人造和自然环境的快速廉价探测器）和Object Bank（基于直方图的探测器本身由100个物体探测器输出组成）。