Я использую алгоритм SIFT в Matlab, чтобы определить сходство между изображением шаблона и набором изображений, где в конце я должен определить наилучшее соответствие между множеством изображений на основе SCORES, это правда сказать, что чем выше оценка изображения, тем лучше матч? Я знаю, что когда есть точное совпадение, оценка равна нулю, но что, если изображение похоже?Устный перевод в SIFT
Я предполагаю, что SCORES означает измерение подобия между двумя согласованными дескрипторами (например, эвклидовым расстоянием). Если мое предположение верно, статистически усреднение баллов всех совпадений (например, SSD) должно дать вам степень сходства между двумя изображениями. I., чем меньше усредненные оценки, тем выше сходство, нуль означает идеальное совпадение. Чтобы улучшить эту метрику сходства, вы можете взглянуть на RANSAC, который способен удалять выбросы в вашем наборе согласованных дескрипторов.
EDIT: Усреднение очков совпадения, конечно, имеет смысл только в том случае, если процент согласованных дескрипторов достаточно высок (как предполагает Мауриц). Таким образом, комбинация счетных совпадений и усредняющих расстояний может быть разумным подходом.
не могли бы вы мне радовать, что у RANSAC будет какой вход? что я отправлю баллы? –
В этом случае вход RANSAC будет представлять собой набор совпадающих ключевых точек (ключевые точки были сопоставлены перед использованием их дескрипторов SIFT). Обычно RANSAC не заботится о показателях, хотя это поведение может быть изменено в пользовательской реализации (путем взвешивания «голосования», которое каждый матч выполняет для данной модели). Это, вероятно, кажется вам непонятным, поэтому я предлагаю вам сначала прочитать RANSAC. – Tobold
Что вы подразумеваете под SSD? Пример стандартного отклонения? –
Эта проблема несколько более сложная, чем может показаться. Чтобы получить представление, попробуйте сопоставить дескрипторы SIFT между вашим шаблоном и целевым изображением на основе расстояния l1 или l2 и отобразить результаты. Таким образом, вы сопоставляете каждую точку шаблона с целевой точкой, когда расстояние l1 или l2 является наименьшим. Что касается метрики, вы не можете сделать лучше. Однако, визуально, вы увидите, что это дает плохие результаты.
Это привело к появлению людей с различными стратегиями соответствия. Стандартный по умолчанию, используемый большинством программ, должен совпадать с расстоянием l2, но принимать только совпадение между двумя точками, если второе лучшее соответствие значительно (например, 60 процентов) хуже. Он работает достаточно хорошо, но в этой стратегии некоторые моменты никогда не будут сопоставлены. В качестве «оценки» вы можете начать экспериментировать с процентом точек между шаблоном и изображением, которое успешно сочетается или парно.
Стратегия, с которой большинство людей развертывается сверху, заключается в том, чтобы убедиться, что между шаблоном соответствия и точками изображения отношения должны быть такими, как x= Ax'. Это означает, что если изображение представляет собой повернутую копию шаблона, мы ожидаем найти матрицу вращения A между совпадающими точками SIFT x' и x. Общим использованным методом для объединения большого набора совпадающих точек, установленных для такого отношения, является RANSAC. Все точки, которые не соответствуют этой консенсусной деформации A, затем могут быть удалены как выбросы из набора.
Хорошую демонстрацию этого подхода можно найти на Peter Kovesi's site.
Возможно, вам следует пояснить это: ваши дескрипторы уже согласованы или вы ищете способ сделать это (как предполагает @Maurits)? – Tobold
поиск способ с помощью оценки .. –