opencv sift特征匹配后怎么计算两个图像的相似度?

问世间情为何物 2018-01-29 10:29:31
opencv sift特征匹配后怎么计算两个图像的相似度?网上都是介绍怎么匹配特征,没有说怎么得到相似度的结论,请大牛指教,本人小白
...全文
5320 15 打赏 收藏 转发到动态 举报
写回复
用AI写文章
15 条回复
切换为时间正序
请发表友善的回复…
发表回复
胜天半月子 2021-05-12
  • 打赏
  • 举报
回复 1
引用 16 楼 it_xiangqiang 的回复:
引用 15 楼 胜天半月子 的回复:
请问楼主找到答案了吗?我也想用SIFT进行两种图片的相似度计算并给出数值
希望对您有帮助,盼采纳:https://blog.csdn.net/it_xiangqiang/category_10898660.html
谢谢你,没帮助!
源代码大师 2021-05-12
  • 打赏
  • 举报
回复
引用 15 楼 胜天半月子 的回复:
请问楼主找到答案了吗?我也想用SIFT进行两种图片的相似度计算并给出数值
希望对您有帮助,盼采纳:https://blog.csdn.net/it_xiangqiang/category_10898660.html
胜天半月子 2021-05-09
  • 打赏
  • 举报
回复
请问楼主找到答案了吗?我也想用SIFT进行两种图片的相似度计算并给出数值
cwj_sunshine 2019-10-10
  • 打赏
  • 举报
回复
楼主找到解决办法了吗
「已注销」 2018-10-10
  • 打赏
  • 举报
回复
引用 6 楼 u012733720 的回复:
[quote=引用 5 楼 codedoctor 的回复:]
一般采用欧式距离的大小比较,具体可以参考我的博客:
SIFT算法的特征点筛选和DMatch、Keypoint描述


文章中还是没有差别两个图像的相似度呀?我测试的两张完全不同的图,也能匹配上很多特征点[/quote]

通过欧式距离进行判断, 欧式距离太大肯定不是一个图
Vincentie 2018-09-28
  • 打赏
  • 举报
回复
万物皆可train。
---沃兹基丶硕得
CT8100 2018-02-27
  • 打赏
  • 举报
回复
引用 7 楼 u012733720 的回复:
[quote=引用 4 楼 iloveyou418 的回复:] http://blog.csdn.net/wangyaninglm/article/details/43853435这个?
这个文章我也是试了,PSNR没编译通过,一堆gpu相关定义的错误,不知道少什么?其它几个方法效果也不是很理想[/quote] 难道是没有导入cv库?
赵4老师 2018-02-27
  • 打赏
  • 举报
回复
要不上“TensorFlow”?
  • 打赏
  • 举报
回复
引用 4 楼 iloveyou418 的回复:
http://blog.csdn.net/wangyaninglm/article/details/43853435这个?
这个文章我也是试了,PSNR没编译通过,一堆gpu相关定义的错误,不知道少什么?其它几个方法效果也不是很理想
  • 打赏
  • 举报
回复
引用 5 楼 codedoctor 的回复:
一般采用欧式距离的大小比较,具体可以参考我的博客: SIFT算法的特征点筛选和DMatch、Keypoint描述
文章中还是没有差别两个图像的相似度呀?我测试的两张完全不同的图,也能匹配上很多特征点
codedoctor 2018-02-26
  • 打赏
  • 举报
回复
一般采用欧式距离的大小比较,具体可以参考我的博客: SIFT算法的特征点筛选和DMatch、Keypoint描述
CT8100 2018-02-26
  • 打赏
  • 举报
回复
http://blog.csdn.net/wangyaninglm/article/details/43853435这个?
  • 打赏
  • 举报
回复
木有大虾出来自己顶,别沉了
  • 打赏
  • 举报
回复
自己顶,求高手指点
TiRan_Yang 2018-02-03
  • 打赏
  • 举报
回复
相似度一般是通过欧氏距离计算的。
预处理:读取图片 第一步,缩小尺寸。 将图片缩小到8x8的尺寸,总共64个像素。这一步的作用是去除图片的细节,只保留结构、明暗等基本信息,摒弃不同尺寸、比例带来的图片差异。 第二步,简化色彩。 将缩小后的图片,转为64级灰度。也就是说,所有像素点总共只有64种颜色。 第三步,计算平均值。 计算所有64个像素的灰度平均值。 第四步,比较像素的灰度。 将每个像素的灰度,与平均值进行比较。大于或等于平均值,记为1;小于平均值,记为0。 第五步,计算哈希值。 将上一步的比较结果,组合在一起,就构成了一个64位的整数,这就是这张图片的指纹。组合的次序并不重要,只要保证所有图片都采用同样次序就行了。 得到指纹以后,就可以对比不同的图片,看看64位中有多少位是不一样的。在理论上,这等同于计算"汉明距离"(Hammingdistance)。如果不相同的数据位不超过5,就说明两张图片很相似;如果大于10,就说明这是两张不同的图片。 你可以将几张图片放在一起,也计算出他们的汉明距离对比,就可以看看两张图片是否相似。 这种算法的优点是简单快速,不受图片大小缩放的影响,缺点是图片的内容不能变更。如果在图片上加几个文字,它就认不出来了。所以,它的最佳用途是根据缩略图,找出原图。 实际应用中,往往采用更强大的pHash算法和SIFT算法,它们能够识别图片的变形。只要变形程度不超过25%,它们就能匹配原图。这些算法虽然更复杂,但是原理与上面的简便算法是一样的,就是先将图片转化成Hash字符串,然后再进行比较。 以上内容大部分直接从阮一峰的网站上复制过来,想看原著的童鞋可以去在最上面的链接点击进去看。

3,881

社区成员

发帖
与我相关
我的任务
社区描述
C/C++ 其它技术问题
社区管理员
  • 其它技术问题社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧