Programming 6

• 上一篇結尾提到 OpenCV 4.7.0 版本已經將 SIFT 加入主函式庫中，但由於 P5 實驗都是以 4.3.0 並包含 contrib 版本實現的，而後續以 4.7.0 版本也只針對 SIFT 做測試，卻忽略了其實 SURF 不在 4.7.0 的主函式庫中。

1. 模板匹配(template matching)：

• 模板匹配是一種圖像處理技術，用於在圖像中尋找與給定模板最相似的區域。

• 原理是將模板與圖像的各個位置進行比較，通過計算它們之間的相似度來確定最佳匹配位置，通常使用像素值之間的差異來度量，例如平方差或相關性。

• 模板匹配常用於物體檢測、圖像識別和目標追蹤等應用中。

2. k最近鄰匹配(knn matching)：

• k最近鄰匹配是一種特徵匹配方法，用於在兩組特徵描述子之間找到最相似的對應。

• 原理是對於每個特徵描述子，在另一組描述子中找到與之最相似的k個鄰居，通常使用歐氏距離或餘弦相似度等度量方式計算。

• 通過k最近鄰匹配，可以建立特徵之間的對應關係，用於圖像配對、物體追蹤和三維重建等應用。

3. 半徑匹配(radius matching)：

• 半徑匹配是一種特徵匹配方法，用於在圖像中尋找與給定特徵描述子在一定半徑內相似的特徵點。

• 原理是對於每個特徵描述子，在給定半徑範圍內搜索相似的特徵點，通常使用距離度量方式來計算。

• 半徑匹配常用於圖像檢測、圖像對齊和圖像檢索等應用中。

4. 交叉檢查(cross check)：

• 交叉檢查是一種用於特徵匹配的技術，旨在確保匹配是雙向的。

• 原理是對於每對匹配的特徵點，檢查其互相之間的匹配情況，如果兩個特徵點互相匹配，則將其視為有效的匹配。

• 交叉檢查可以幫助過濾掉單向的錯誤匹配，提高匹配的準確性。

5. 比值測試(ratio test)：

• 比值測試是一種特徵匹配的篩選方法，用於過濾不確定或不可靠的匹配。

• 原理是對於每對匹配的特徵點，計算它們與最近鄰和次近鄰之間的距離比值，若比值小於閾值，則將其視為有效的匹配。

• 比值測試可以減少誤匹配的可能性，提高匹配的可靠性。

結論

關於半徑匹配、交叉檢查、比值測試都屬於過濾匹配結果的方法，這些過濾方法的目的是排除一些可能的誤匹配，從而提高匹配的準確性和可靠性，可以根據應用的需求，使用其中一種或多種方法進行組合，以得到更好的匹配結果。

• 接著實現 SIFT, ORB 及 BRISK 這些不同的 keypoint descriptors 在相同條件下的 Feature Matching 效果。

結果分析及心得

• 在 Feature Matching 的實作中學習到多種匹配方法，模板匹配、knn matching、radius matching，以及各種針對特徵點進行篩選動作的方法，半徑匹配、交叉檢查、比值測試，綜合這些方法的實作結果我認為使用 BFMatcher 含有 cross check，並且保留前50個匹配結果作為輸出這樣的條件在特徵配對的準確率上有很好的表現。

• 在特徵提取的算法中，幾乎都能匹配到正確位置，不過 SIFT 算法的強大終究還是我最佩服的，對於特徵描述子的唯一性非常可靠，從網路資訊得知一些知名企業，Google、Facebook、Adobe Photoshop 和 Amazon 都曾有透過這個算法研發自家產品，其應用也非常廣，從物體識別、圖像檢索、圖像拼接、全景圖生成、特徵跟踪、運動估計、圖像校正和圖像修復，以及目前持續發展的增強現實（AR）和虛擬現實（VR）。