RANSAC дает вам матрицу преобразования (включая значения перевода, вращения и масштабирования). Используя эту информацию, вы можете попытаться совместить изображения друг с другом, чтобы увидеть совпадения, найденные SIFT.
Преимущество RANSAC заключается в его способности выполнять надежную оценку параметров модели, то есть он может оценивать параметры с высокой степенью точности, даже если в наборе данных имеется значительное количество выбросов. Недостатком RANSAC является отсутствие верхней границы времени, затрачиваемого на вычисление этих параметров. Когда количество вычисленных итераций ограничено, полученное решение может быть не оптимальным, и оно может даже не соответствовать тому, которое хорошо подходит данным. Таким образом, RANSAC предлагает компромисс; вычисляя большее количество итераций, увеличивается вероятность создания разумной модели. Другим недостатком RANSAC является то, что он требует установки пороговых значений для конкретных задач. RANSAC может оценивать только одну модель для определенного набора данных. Что касается любого одномоторного подхода, когда существуют два (или более) экземпляра модели, RANSAC может не найти ни одного. Преобразование Hough - альтернативный метод надежной оценки, который может быть полезен, когда присутствует более одного экземпляра модели.
В заключение вы можете сказать, сколько двух изображений одинаково. Он не всегда может сказать вам, что это полный матч или общая разница. Таким образом, вы получите матчи после применения RANSAC. Затем вы можете узнать, что процент хороших совпадений по общим совпадениям, а затем вам нужно принять решение в соответствии с этой информацией.