前言
在提取了影象的特徵點，並形成特徵描述子後，我們往往需要對兩張（本質上是兩個mat）進行特徵點匹配·，opencv提供的匹配方法有兩種，分別是flann以及暴力匹配。暴力匹配思路最為簡單，就是圖1的乙個特徵描述子a，與圖2的所有特徵描述子均進行一次距離計算（一般為歐氏距離），距離最小的點即為a點在圖2的匹配點。flann我沒有詳細的了解，據說是基於概率的思想，只找到乙個差不多相近的點，而不是距離最近的點。暴力匹配雖然精準，但是慢，另外，也會出現一定數量的錯誤匹配點。為盡可能地剔除錯誤匹配點，2nn演算法應運而生。
什麼是2nn？
2nn演算法全稱是 two neareast neighbour ,即兩個與目標點最相近的點。2nn演算法通過衡量最近距離，與次近（第二接近）距離的比值，來判斷該點是否為匹配點，具體公式如下
換句話說，現在不僅僅要求兩個關鍵點之間的距離最近，同時還要求最近的點與次近的點不能太相似（兩者比值越接近1，約相似嘛），滿足了這個條件，我們才說這兩個點是匹配的。
但為什麼這樣做會有效呢？
我的理解是「設定了一定的區分度」，舉例來說，特徵點a的最近特徵點為b（候選特徵點）,此近特徵點為c，如果a-b的距離跟a-c的距離差不多，那麼究竟是b是特徵點，還是c是特徵點呢？在這種模稜兩可的情況下，演算法很可能就會產生了錯配。2nn演算法很好地結局兩者之間的關係，如果兩者很像，說明c也很可能是a的匹配點，那你憑什麼選擇b呢？所以就乾脆b也不選了吧！！！杜絕一切風險！！！
相關模版類
keypoint類
這是opencv中用來儲存關鍵點的乙個模版
class keypoint
這是opencv用來儲存匹配好一對關鍵點，原型為：
class cv_exports_w_****** dmatch
;
2nn的**實現
void twonn_matcher(vector& matches, mat des1, mat des2, const float min_ration)
cout << "k_matches:" << k_matches.size() << endl; //測試用的
cout << "matches:" << matches.size() << endl;
}
std::vectork_matches;而不是std::vector ，這也很好理解，乙個關鍵點有最近跟次近兩個點嘛。
實驗結果
直接暴力匹配
使用2nn：
可見，使用2nn能有效地消除錯誤匹配點
閾值對關鍵點數量的影響
在2nn中，我們需要乙個閾值來衡量最近距離與次近距離的關係，那這個閾值對匹配特徵數目有什麼影響嗎?
在上圖中，暴力匹配獲得的匹配特徵點為779對
在使用2nn後，我分別使用了0.6666，0.6，0.3，以及0.8
實驗結果為163、126、22、246。可見，閾值設定越接近1，找到的匹配點越多（有可能使是錯的匹配點），反之越少。
SIFT特徵檢測 最近鄰近似匹配 2NN優化
import math from matplotlib import pyplot as plt import matplotlib matplotlib inline book l cv2.imread images book l.png book r cv2.imread images book...
OpenCV2簡單的特徵匹配
特徵的匹配大致可以分為3個步驟 特徵的提取 計算特徵向量 特徵匹配 對於3個步驟，在opencv2中都進行了封裝。所有的特徵提取方法都實現featuredetector介面，descriptorextractor介面則封裝了對特徵向量 特徵描述符 的提取，而所有特徵向量的匹配都繼承了descript...
OpenCV2簡單的特徵匹配
特徵的匹配大致可以分為3個步驟 特徵的提取 計算特徵向量 特徵匹配 對於3個步驟，在opencv2中都進行了封裝。所有的特徵提取方法都實現featuredetector介面，descriptorextractor介面則封裝了對特徵向量 特徵描述符 的提取，而所有特徵向量的匹配都繼承了descript...