我正在比较两个使用SIFT在java中使用Stephan Saalfeld的筛选实现的图像 - http://fly.mpi-cbg.de/~saalfeld/Projects/javasift.html。但由于缺乏适当的例子，我发现使用它很困难。我能够获得这两个图像的描述符，然后获取它们相应的匹配描述符，最后应用RANSAC忽略错误匹配。现在，我留下了一些inlier。但我很困惑如何得出两幅图像是否相似？SIFT-图像比较
RANSAC为您提供了转换矩阵（包括平移，旋转和缩放值）。使用这些信息，您可以尝试将图像放在彼此上以查看SIFT找到的匹配项。
RANSAC的一个优点是它能够对模型参数进行鲁棒估计，即即使在数据集中存在大量异常值时，它也可以高准确度地估计参数。 RANSAC的缺点是计算这些参数所用的时间没有上限。当计算的迭代次数有限时，获得的解决方案可能不是最佳的，并且它甚至可能不是一个能很好地适合数据的解决方案。通过这种方式，RANSAC提供了一种权衡;通过计算更多的迭代次数，增加了产生合理模型的概率。 RANSAC的另一个缺点是需要设置特定于问题的阈值。 RANSAC只能为特定的数据集估算一个模型。至于存在两个（或更多）模型实例的任何一种模型方法，RANSAC可能无法找到任何一个。霍夫变换是一种替代的鲁棒估计技术，当存在多个模型实例时可能会有用。结论是，你可以说有多少两幅图像是相似的。它不能总是告诉你，它是一个完全匹配或总差异。所以你会在应用RANSAC后得到比赛。然后你可以发现，好匹配的比例超过总匹配，然后你需要根据这些信息来决定。