计算机视觉 / 系统课时

筛选优质匹配点

筛选优质匹配点

原始特征匹配常混有重复纹理、遮挡和偶然相似造成的错误对应。本节把距离排序、Lowe 比率测试和交叉验证放到同一套 ORB 示例中,比较它们的筛选逻辑,并形成图像对齐前可复用的过滤流程。

学习目标

  • 能按 distance 排序并限制候选数量
  • 能使用 KNN 匹配和比率测试剔除歧义近邻
  • 能理解交叉验证对双向一致性的要求

原始匹配为什么不够

match() 或 knnMatch() 返回的是描述子近邻,不是已经验证的真实对应。在重复窗口、栅格、文字笔画等区域,一个描述子可能同时接近多个位置;如果把这些点全部交给单应性估计,误配会增加 RANSAC 的负担,甚至让模型估计失败。

原始候选匹配经过三种方法筛选为优质匹配

三种方法关注点不同:距离排序控制“保留多少”,比率测试判断“第一名是否明显优于第二名”,交叉验证判断“双方是否互相把对方视为最佳”。

比率测试识别歧义近邻

Lowe 比率测试要求为每个查询描述子找两个最近邻。设最近距离为 d1d_1、次近距离为 d2d_2,当

d1d2<r\frac{d_1}{d_2} < r

时才保留最佳匹配。常用阈值 r 大约为 0.7 到 0.8;阈值越小越严格,留下的点更少。

把三种筛选放在一起

下面的完整示例先计算 KNN 候选,再做 0.75 比率测试;同时创建启用 crossCheck=True 的匹配器进行双向一致验证。最后对通过比率测试的结果按距离排序并只绘制前 60 个。

python
import cv2
import numpy as np

img1 = np.zeros((360, 520), dtype=np.uint8)
cv2.rectangle(img1, (60, 70), (210, 220), 255, 3)
cv2.circle(img1, (350, 150), 65, 255, 3)
cv2.line(img1, (80, 300), (440, 270), 255, 4)
cv2.putText(img1, "MATCH", (220, 330),
            cv2.FONT_HERSHEY_SIMPLEX, 1.0, 255, 3)

matrix = cv2.getRotationMatrix2D((260, 180), 8, 1.0)
matrix[:, 2] += np.array([22, -12])
img2 = cv2.warpAffine(img1, matrix, (520, 360))

orb = cv2.ORB_create(nfeatures=1000)
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

if des1 is None or des2 is None:
    raise RuntimeError("没有检测到可匹配的 ORB 描述子")

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=False)
pairs = bf.knnMatch(des1, des2, k=2)

# 比率测试:最佳候选必须明显优于第二名。
ratio_matches = []
for pair in pairs:
    if len(pair) < 2:
        continue
    m, n = pair
    if m.distance < 0.75 * n.distance:
        ratio_matches.append(m)

ratio_matches.sort(key=lambda m: m.distance)

# 交叉验证必须使用单独的 matcher。
cross_bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
cross_matches = sorted(
    cross_bf.match(des1, des2),
    key=lambda m: m.distance,
)

preview = cv2.drawMatches(
    img1, kp1, img2, kp2, ratio_matches[:60], None,
    flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS,
)
cv2.imwrite("filtered_matches.png", preview)

print(f"knn pairs: {len(pairs)}")
print(f"ratio matches: {len(ratio_matches)}")
print(f"cross-check matches: {len(cross_matches)}")
print("saved: filtered_matches.png")

预期输出

text
knn pairs: <VALUE>
ratio matches: <VALUE>
cross-check matches: <VALUE>
saved: filtered_matches.png

<VALUE> 会随 OpenCV 版本和检测到的关键点略有变化。通常比率测试与交叉验证都会把原始候选压缩为更小的集合,并生成 filtered_matches.png。

交叉验证与距离排序的边界

crossCheck=True 要求 A 的最佳匹配是 B,同时 B 的最佳匹配也是 A,因此适合简单的一对一对应。它不能与同一个 BFMatcher 的 knnMatch(..., k=2) 比率测试同时启用,所以示例使用两个匹配器分别执行。

距离排序本身只代表“更近的优先”,无法判断第一名是否存在歧义;比率测试更适合删除模棱两可的候选。实际对齐中,常见流程是先做比率测试,再按距离控制最大点数,最后用 RANSAC 和单应性或基础矩阵做几何一致性验证。筛选也不能过严,因为有效匹配点过少同样会让后续模型失效。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

筛选优质匹配点

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通