http://www.cnblogs.com/easymind223/archive/2012/10/02/2710466.html

　　最近這些日子，我在中科院實習了一段時間，收穫了很多寶貴的知識和經驗，也認識了一些朋友，在這裡感謝老師們對我的指導和建議。作為一名影象處理專業的數學Geek,我很喜歡做關於影象方面的演算法研究，在這裡把近幾年的角點特徵匹配方法做個總結，和大家分享一下。

　　影象匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，影象拼接等，而影象匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅影象之間的特徵畫素點的對應關係，從而確定兩幅影象的位置關係。

　　角點匹配可以分為以下四個步驟：

　　1.提取檢測子：在兩張待匹配的影象中尋找那些最容易識別的畫素點（角點），比如紋理豐富的物體邊緣點等。

　　2.提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，區域性隨機二值特徵等。

檢測子和描述子的常用提取方法有:sift, harris, surf, fast, agast, brisk, freak, brisk,orb等。

　　3.匹配：通過各個角點的描述子來判斷它們在兩張影象中的對應關係。常用方法如 flann

　　4.去外點：去除錯誤匹配的外點，保留正確的內點。常用方法有Ransac, GTM。

　　我對上述這些常用的檢測子和描述子的效能和速度做了一個測試，以找出其中價效比最好的組合（不考慮後兩步）

　　　　　　　　　　　　　　　　　　　　　　　　圖一

　　　　　　　　　　　　　　　　　　　　　　圖二

　　上面兩幅圖是對上述部分檢測子與描述子進行測試的結果。

　　其中圖一和圖二的x座標表示不同的檢測子與描述子的組合，從1到30分別對應

(surf、agast、brisk、fast、sift、orb)檢測子與 (brisk、agast、surf、sift、orb)描述子的線性組合，如第四組表示surf檢測子+sift描述子的組合。

　　圖一和圖二的y座標表示一系列測試圖片組，每組由兩張圖組成，這些圖片都是質量較低的衛星地圖，約2000*2000畫素，每組的兩張圖片是由不同衛星對地面上同一地區進行拍攝的。它們之間的關係可能包含旋轉，縮放，仿射變換，亮度變化，模糊，噪音等。從1到11的測試圖片組大概對應著以下變換關係:

　　1.強烈亮度變化

　　2.旋轉

　　3.仿射變換+尺度變化+旋轉

　　4.仿射變換+亮度變化+旋轉

　　5.仿射變換+噪音

　　6.模糊+亮度變化

　　7.旋轉+噪音

　　8.旋轉+尺度變化

　　9.亮度變化+旋轉+模糊+噪音

　　10. 亮度變化+旋轉+尺度變化

　　11. 亮度變化+旋轉+尺度變化+強烈噪音。

　　圖一的z座標表示成功匹配的畫素對的個數。圖二的z座標表示所需計算時間。

　　從測試結果來看，orb檢測子與surf描述子配合的效果是最好的，不過速度也是最慢的。古老的sift和surf依然好用，速度也還是那麼不給力。在不考慮旋轉和仿射變換的情況下，fast是很不錯的選擇，在小幅旋轉（20度內)的情況下，fast也還是有一定的容錯能力的。在旋轉變化和尺度變化方面，各家武功相差不多，雖然在理論上sift支援旋轉變化，不過測試中它並沒有表現出明顯的優勢。在噪音方面，sift和orb明顯強於其它演算法；在亮度變化和仿射變換上，orb的魯棒性是最好的；綜合比較，orb的價效比在此次華山論劍中略勝一籌。

　　下面兩張圖是上面11組圖片的均值，從平均值來看，orb也是最好的