主要内容

matchFeatures

找到匹配的特性

折叠所有页面

语法

indexPairs = matchFeatures (features1 features2)
[indexPairs, matchmetric] = matchFeatures (features1 features2)
[indexPairs, matchmetric] = matchFeatures (features1 features2,名称,值)

描述

例子

indexPairs= matchFeatures (features1，features2）返回两个输入特征集中匹配特征的索引。输入特性必须是其中之一binaryFeatures对象或矩阵。

［indexPairs，matchmetric) = matchFeatures (features1，features2）也返回匹配特性之间的距离，索引为indexPairs．

［indexPairs，matchmetric) = matchFeatures (features1，features2，名称,值）包括由一个或多个指定的附加选项名称,值对参数。

例子

全部折叠

打开生活的脚本

利用局部邻域和Harris算法在一对图像之间找到对应的兴趣点。

阅读立体图像。

I1 = im2gray (imread (“viprectification_deskLeft.png”));I2 = im2gray (imread (“viprectification_deskRight.png”));

找到角落。

里= detectHarrisFeatures (I1);points2 = detectHarrisFeatures (I2);

提取邻域特征。

[features1, valid_points1] = extractFeatures (I1,里);[features2, valid_points2] = extractFeatures (I2 points2);

匹配特性。

indexPairs = matchFeatures (features1 features2);

检索每个图像对应点的位置。

matchedPoints1 = valid_points1 (indexPairs (: 1):);matchedPoints2 = valid_points2 (indexPairs (:, 2):);

将相应的点形象化。您可以看到两个图像之间的转换效果，尽管有几个错误的匹配。

图;showMatchedFeatures (I1、I2 matchedPoints1 matchedPoints2);

图中包含一个轴对象。轴对象包含4个类型为image, line的对象。

打开生活的脚本

利用SURF局部特征检测函数，找到两幅相互旋转和缩放的图像之间的对应点。

阅读这两张图片。

I1 = imread (“cameraman.tif”）;I2 = imresize (imrotate (I1, -20), 1.2);

查找SURF功能。

里= detectSURFFeatures (I1);points2 = detectSURFFeatures (I2);

提取特征。

[f1, vpts1] = extractFeatures (I1,里);[f2, vpts2] = extractFeatures (I2 points2);

检索匹配点的位置。

indexPairs = matchFeatures(f1,f2);matchedPoints1 = vpts1 (indexPairs (: 1));matchedPoints2 = vpts2 (indexPairs (:, 2));

显示匹配点。数据仍然包括几个异常值，但您可以看到旋转和缩放在匹配特征显示上的效果。

图;showMatchedFeatures (I1、I2 matchedPoints1 matchedPoints2);传奇(“匹配点1”，的匹配点2）;

图中包含一个轴对象。轴对象包含4个类型为image, line的对象。这些对象表示匹配点1，匹配点2。

输入参数

全部折叠

功能集1，指定为abinaryFeatures对象或一个米1——- - - - - -N矩阵。矩阵包含了米1特性,N对应于每个特征向量的长度。你可以获得binaryFeatures对象使用extractFeatures功能与快速视网膜关键点(FREAK)，面向fast和旋转简要(ORB)，或二进制鲁棒不变可扩展关键点(轻快)描述符方法。

功能集2，指定为abinaryFeatures对象或一个米2——- - - - - -N矩阵。矩阵包含了米2特性和N对应于每个特征向量的长度。你可以获得binaryFeatures对象使用extractFeatures功能与快速视网膜关键点(FREAK)，面向fast和旋转简要(ORB)，或二进制鲁棒不变可扩展关键点(轻快)描述符方法。

名称-值参数

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:“指标”，固态硬盘的指定特征匹配度量的差异平方和。

匹配方法，指定为逗号分隔的对，由'方法”,要么“详尽”或“近似”．该方法指定了最接近的邻居之间的关系features1和features2被发现。当两个特征向量之间的距离小于由MatchThreshold参数。

“详尽”

计算中特征向量之间的成对距离features1和features2．
“近似”

使用一个有效的近似最近邻搜索。对于大的特性集使用这种方法。［3]

匹配阈值，指定为逗号分隔对，由'MatchThreshold和范围(0,100)内的标量百分比值。默认值设置为10．0为二值特征向量或1．0对于非二值特征向量。您可以使用匹配阈值来选择最强的匹配。阈值表示距离完美匹配距离的百分之一。

当两个特征向量之间的距离小于设定的阈值时，两个特征向量进行匹配MatchThreshold．当特性之间的距离大于值时，函数将拒绝匹配MatchThreshold．增加该值以返回更多匹配项。

输入,binaryFeatures对象通常需要更大的匹配阈值。的extractFeatures函数的作用是:返回binaryFeatures对象在提取FREAK、ORB或BRISK描述符时。

比率阈值，指定为逗号分隔对，由'MaxRatio'和范围(0,1)内的标量比率值。使用最大比率来拒绝不明确的匹配。增加此值以返回更多匹配项。

特征匹配度量，指定为逗号分隔对，由'度规”,要么“伤心”或固态硬盘的．

“伤心” 绝对差和
固态硬盘的 差平方和

此属性适用于以下情况:features1和features2,不binaryFeatures对象。当你指定特性为binaryFeatures对象，函数使用汉明距离来计算相似性度量。

唯一匹配，指定为逗号分隔对，由'独特的”,要么假或真正的．将此值设置为真正的只返回之间的唯一匹配features1和features2．

当您设置独特的来假时，函数返回之间的所有匹配项features1和features2．多个功能features1能匹配一个功能在features2．

表示特征1的列，其中条目1和3被圈起来，指向表示特征2的列中的条目2

当您设置独特的来真正的时，该函数执行向前-向后匹配以选择唯一匹配。匹配后features1来features2,它匹配features2来features1并保持最好的匹配。

输出参数

全部折叠

两个输入特征集之间对应特征的索引，返回为P2的矩阵P数量的指标。每个索引对对应一个匹配的特征features1和features2输入。第一个元素索引中的特性features1．第二个元素将匹配特性索引到features2．

匹配特征之间的距离，返回为p1的向量。距离的值是基于所选择的度量。每一个我th元素matchmetric对应于我第一行indexPairs输出矩阵。当度规设置为悲伤的或固态硬盘，在计算前将特征向量归一化为单位向量。

度规 范围 完美的匹配值
悲伤的 ［0，2＊√6（大小（features1，2)))。 0
固态硬盘 ［0，4］ 0
汉明 ［0, features1。NumBits］ 0

参考文献

David G. Lowe“来自比例不变关键点的独特图像特征”国际计算机视觉杂志．第60卷第2期91-110页。

Muja M.和D. G. Lowe。二值特征的快速匹配。计算机与机器人视觉会议．CRV, 2012年。

Muja M.和D. G. Lowe。"具有自动算法配置的快速近似最近邻"计算机视觉理论与应用国际会议.VISAPP, 2009年。

Rublee, E.， V. Rabaud, K. Konolige和G. Bradski。ORB: SIFT或SURF的有效替代品。在2011国际计算机视觉会议论文集, 2564 - 2571。2011年西班牙巴塞罗那。

扩展功能

另请参阅

|||||||||||

主题

介绍了R2011a

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书