第九章图像特征匹配
特征匹配的策略特征匹配的基本思路：通过度量特征描述子之间的距离来评估它们之间的相似性，距离越小表示特征之间的相似度越高，匹配程度也就越高。常见的距离度量方法包括欧氏距离、汉明距离和曼哈顿距离
特征匹配的策略基于单阈值法的图像特征匹配思想：阈值内的所有特征均匹配
特征匹配的策略基于最近邻法的图像特征匹配思想：阈值内的，距离最近的特征匹配
特征匹配的策略基于最近邻比值法的图像特征匹配思想：最近邻距离比率在阈值内的特征匹配最近邻距离比率：
特征匹配的评价标准预测结果真实结果匹配不匹配匹配TP（正确肯定）FN（漏报）不匹配FP（误报）TN（正确否定）真阳性率：假阳性率：阳性预测值：
特征匹配的评价标准理想的ROC曲线以假阳性率为横轴，真阳性率为纵轴，随着匹配阈值的变化，可以在二维坐标系上得到一系列点，连接这些点可以得到ROC（ReceiverOperatingCharacteristic）曲线。
暴力匹配(a)原图像(b)原图像视角变换后的图像
暴力匹配思想：遍历俩幅图像中的所有特征，寻找距离最近的一组特征匹配。优点：易于理解和实施。缺点：准确度不高，容易出现错误匹配。
暴力匹配图像进行暴力匹配后的结果
KD-树匹配构造KD-树：1、选择特征描述符一个特征维度用于将数据点进行切分；2、在选定的维度上选择一个值，根据大小将数据点分为两个子集；3、根据所划分的两个子集构建左右两个子树；4、对于每个子树，重复选择划分维度和划分值的步骤，直到达到终止条件。查询KD-树：1、从根节点开始，在当前维度上选择与查询点值最接近的子树，递归地向下遍历KD-树；2、在每次访问的节点上计算查询点与该节点之间的距离3、完成对一个子树的遍历后，会回溯到父节点，并检查另一个子树是否可能包含更近的点；
KD-树匹配KD-树匹配结果
RANSAC算法RANSAC是一种通过反复选择数据集并迭代估计出较好模型的算法。步骤：1、随机从特征点匹配的数据集中随机抽出4个样本数据(此4个样本之间不能共线)，然后计算出变换矩阵H，记为模型M；变换矩阵公式：?2、计算数据集（所有特征匹配点）中所有数据与模型M的投影误差，若数据的投影误差小于设定的阈值，则将该数据加入内点集I；投影误差：
RANSAC算法3、如果当前内点集I元素的个数大于最优内点集I_best，则更新I_best=I，同时更新迭代次数k（最优内点集不一样，对应的更新迭代次数k也就不同)；k的计算公式：4、如果计算的迭代次数大于k（由I_best计算得到），则退出；否则迭代次数加1，并重复上述步骤。
RANSAC算法应用RANSAC匹配的结果