应用RANSAC后如何计算离群点和内点？

问题描述

我已经浏览了下面的代码，想知道在使用 RANSAC 后如何计算离群点和内点？你能指出一个好的代码是如何完成的吗？

第二个问题，哪个特征匹配算法更好：BFMatcher.knnmatch() with Test ratio 或 bf = cv.BFMatcher(cv.norM_HAMMING,crossCheck=True) 最短距离？这个比较有什么参考吗？

    **# BFMatcher with default params
      bf = cv.BFMatcher()
      matches = bf.knnMatch(des1,des2,k=2)

     # Apply ratio test
     good_matches = []
     for m,n in matches:
         if m.distance < 0.75*n.distance:
           good_matches.append([m])
        
       # Draw matches
   img3=cv.drawMatchesKnn(img1,kp1,img2,kp2,good_matches,None,flags=cv.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
     cv.imwrite('matches.jpg',img3)
     # Select good matched keypoints
     ref_matched_kpts = np.float32([kp1[m[0].queryIdx].pt for m in good_matches])
     sensed_matched_kpts = np.float32([kp2[m[0].trainIdx].pt for m in good_matches])

     # Compute homography
     H,status = cv.findHomography(sensed_matched_kpts,ref_matched_kpts,cv.RANSAC,5.0)**

解决方法

计算异常值和内部值的数量

# number of detected outliers: len(status) - np.sum(status)
# number of detected inliers: np.sum(status)
# Inlier Ratio,number of inlier/number of matches: float(np.sum(status)) / float(len(status))

特征匹配算法

我想说的是，如果您使用的是基于稀疏特征的算法（SIFT 或 SURF），则首选 BFMatcher.knnMatch() with Test ratio。而 bf = cv.BFMatcher(cv.NORM_HAMMING,crossCheck=True) 用于基于二进制的算法（ORB、FAST 等）。我的建议是在您的项目中尝试两种算法，以研究哪一种更好。 Good Reference

matching opencv ransac