通过欧氏距离进行 SIFT 特征匹配

Question

SIFT 特征匹配是通过基于欧几里德距离的最近邻方法完成的。有人可以解释一下吗？有计算吗？那么有人可以帮我计算 SIFT 特征向量的欧几里德距离吗？我想保存计算出的欧几里德距离，以提供具有更多特征（例如图像的圆度和颜色）的神经网络。

Answer 1

通过欧氏距离进行 SIFT 特征匹配并不是一件困难的任务。该过程可以解释如下：

1. 提取两个图像的 SIFT 关键点描述符。

2. 从一张图像中获取一个关键点描述符（参考描述符）。

   2.1 现在，找到参考描述符与另一图像的所有关键点描述符之间的欧几里德距离。

   2.2 因此，您可以得到从参考描述符到 image2 中所有关键点描述符的欧几里得距离。按从小到大的顺序排列。（表示图像1中的关键点到图像2中的关键点的最近距离）

   2.3 现在，设置一些阈值T（主要在0.3到0.7的范围内）。

   2.4 取第一个最近距离与第二个最近距离的比率，如果它低于阈值 T，那么它是匹配的，因此，您保存该索引。否则，没有匹配。

3. 对 image1 中的所有关键点描述符重复此操作。

4. 现在你有了比赛。您可以通过附加两个图像然后基于关键点位置来绘制匹配。

Answer 2

我认为你的疑问是欧几里德距离是什么。欧几里德距离是在欧几里德（或二维）平面中看到的两点之间的距离。
对于二维平面来说，它非常直观，但由于 SIFT 描述符是 128 维的向量，因此变得很棘手。您只需坚持公式（https://en.wikipedia.org/wiki/Euclidean_distance）

这是我计算欧氏距离的代码：

  for j = 1 : length(SIFT2)

        euclideanDist(j) = sqrt(sum((SIFT1{i} - SIFT2{j}).^2));

  end

该代码将找到从第一张图像上的点“i”到第二张图像中所有遇到的点（在本例中为“j”）的距离。我将这个距离存储在向量 euclideanDist 中。

单元阵列 SIFT1 和 SIFT2 包含每个图像的描述符。