再做特徵點對應的時候,若有重複的圖形,用local資訊提取的特徵很容易有錯誤的對應
所以可以用 Lowe's Ratio Test 排除易混淆的對應,意義上來說是如果有相近的對應就將該組對應排除
這個方法很簡單, Lowe在SIFT原始論文就有提出這個方法, 在7.1
https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf
L1,L2 是最相近的對應特徵點與二相近的對應特徵點對應分數
L2/L1 = RoD (ration of distance)
原始論文中建議設為0.8, 但可能做3D重建更介意false positive,設為0.5
Bag of visual words (BOVW)是把影像用特徵來描述
譬如說用SIFT提取特徵,之後一張影像就用這些特徵來表示,並且也只保留這些特徵,
這可以用在影像特徵的萃取與比對
一張影像可以提取出許多字彙，直接用每個字彙出現的數量來描述影像是一種方式
而應用TF-IDF (Term freq. inverse document frequency )的技術，在此描述中加上字彙的稀有程度這項因素
t = (nid/nd) log(N/ni)
nid：字彙i出現在目標影像中的次數
nd :目標影像總字數
N：總影像數
ni：含有字彙i的影像數
(nid/nd)這項表示若這張影像的字彙數越少,每個字彙的權重越高
(log(N/ni))這項表示若這字彙越稀有,則這個字彙權重越高
接著再計算影像之間的cosine distance,
ref ： https://www.youtube.com/watch?v=a4cFONdc6nc
ref ：https://github.com/ovysotska/in_simple_english
