主要内容

matchfeatures.

查找匹配功能

页面上倒塌

语法

IndexPairs = MatchFeatures（特性1，功能2）
[indexPairs, matchmetric] = matchFeatures (features1 features2)
[indexPairs, matchmetric] = matchFeatures (features1 features2,名称,值)

描述

例子

indexPairs= matchfeatures（features1，features2）返回两个输入功能集中匹配功能的索引。输入功能必须是binaryFeatures对象或矩阵。

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

［indexPairs，mationmetric.] = matchFeatures（features1，features2，名称,值）包括由一个或多个指定的附加选项名称,值对论点。

例子

全部折叠

打开直播脚本

在使用本地邻居和Harris算法之间查找一对图像之间的相应兴趣点。

阅读立体图像。

I1 = im2gray (imread ('viprection_deskleft.png'））;i2 = im2gray（imread（“viprectification_deskRight.png”））;

找到角落。

要点1 =探测器（I1）;要点2 =探测法（I2）;

提取邻域功能。

[特征1，有效_Points1] =提取物（I1，Points1）;[特征2，有效_Points2] =提取物（I2，Point2）;

匹配功能。

indexPairs = matchFeatures (features1 features2);

检索每个图像对应点的位置。

matchedpoints1 = viply_points1（indexPairs（：，1），:);matchedpoints2 =有效_points2（IndexPairs（:,2），:);

可视化相应的点。尽管有几个错误的匹配，您可以看到两个图像之间的翻译效果。

图;showMatchedFeatures (I1、I2 matchedPoints1 matchedPoints2);

图中包含一个坐标轴。轴包含图像、线等4个对象。

打开直播脚本

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。

阅读两个图像。

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

找到冲浪功能。

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

提取特征。

[F1，VPTS1] =提取物（I1，点1）;[F2，VPTS2] =提取物（I2，点2）;

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）;

图中包含一个坐标轴。轴包含图像、线等4个对象。这些对象表示匹配的点1，匹配点2。

输入参数

全部折叠

功能集1，指定为abinaryFeatures对象或An.米1-经过-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对象使用提取物质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。

特点设置2，指定为abinaryFeatures对象或An.米2-经过-N矩阵。矩阵包含了米2功能和N对应于每个特征向量的长度。你可以获得binaryFeatures对象使用提取物质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-值对的观点

指定可选的逗号分隔的对名称,值论点。姓名参数名和价值是相应的价值。姓名必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：“指标”，固态硬盘的指定特征匹配度量的平方差的和。

匹配方法，指定为逗号分隔的配对组成方法”,要么'彻底的'或者'近似'．该方法指定邻居之间的最近邻居features1和features2被发现。当它们之间的距离小于由此设置的阈值时，两个特征向量匹配MatchThreshold范围。

'彻底的'

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'和标量百分比范围（0,100]。默认值设置为10．0对于二进制特征向量或1.0对于非加入特征向量。您可以使用匹配阈值来选择最强的匹配。阈值表示与完美匹配的距离的百分比。

当它们之间的距离小于设置的阈值时，两个特征向量匹配MatchThreshold．当特征之间的距离大于值时，该功能拒绝匹配MatchThreshold．增加值以返回更多匹配项。

输入的输入binaryFeatures对象通常需要更大的匹配阈值。的提取物质函数返回binaryFeatures提取句柄时，ORB或快速描述符。

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。

特征匹配度量标准，指定为逗号分隔对组成度规”,要么“伤心”或者固态硬盘的．

“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。指定功能时binaryFeatures对象，该函数使用汉明距离来计算相似度量。

唯一匹配，指定为逗号分隔对，由'独特的”,要么假或者真的．将此值设置为真的返回之间的独特匹配features1和features2．

当你设置时独特的到假时，函数返回之间的所有匹配项features1和features2．多个功能features1可以匹配一个功能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

当你设置时独特的到真的，该函数执行前后匹配以选择唯一的匹配。匹配后features1到features2,它匹配features2到features1并保持最好的匹配。

输出参数

全部折叠

两个输入功能集之间的相应功能的指标，返回为aP- 2矩阵P指数数量。每个索引对对应于之间的匹配功能features1和features2输入。第一个元素索引中的特性features1．第二个元素索引匹配功能features2．

匹配功能之间的距离，作为a返回p-by-1矢量。距离的值基于所选的度量。每个我inmationmetric.对应于我在里面indexPairs输出矩阵。当度规被设置为伤心或者SSD.，特征向量在计算之前被归一化到单元向量。

度规 范围 完美匹配价值
伤心 ［0，2＊√6（大小（features1，2)))。 0
SSD. ［0，4］ 0
汉明 ［0，功能1.numbits.］ 0

请注意

你不能选择汉明指标。当它被自动调用时features1和features2输入binaryFeatures．

参考

[1] Lowe，David G.“来自Scale-Invariant Keypoints的独特图像特征。”国际计算机愿景．第60卷，第2页，第91-110页。

Muja M.和D. G. Lowe。二值特征的快速匹配。计算机和机器人愿景会议．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。

Rublee, E.， V. Rabaud, K. Konolige和G. Bradski。ORB: SIFT或SURF的有效替代品。在2011年国际计算机愿景会议的诉讼程序, 2564 - 2571。2011年西班牙巴塞罗那。

扩展能力

另请参阅

|||||||||||

主题

介绍了R2011a

计算机视觉工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书