图像匹配之brute-force算法

<pre name="code" class="html">

最近在做图像检索算法(visual search)研究。图像检索本质上还是图像匹配，因此特征提取，特征匹配等步骤都是图像检索算法的核心和难点。直到现在图像检索技术还是处于比较原始的阶段，这一点用google搜图或者百度搜图可以看到，搜索的返回效果不是很令人满意。特征提取的难点在于，针对不同的物体需要不同的特征进行描述。针对于同一种物体，同一种匹配算法，不同的特征可能带来很多的不一样。目前用的比较多的是SIFT特征，SIFT特征具有旋转不变性和尺度不变性等优点，是图像匹配的优先选择。因此这里我选择用SIFT特征进行实验。第二个难点是图像匹配，目前的算法主要还是借鉴于文本检索的词袋模型算法。

         图像匹配本质上是特征匹配。因为我们总可以将图像表示成多个特征向量的组成，因此如果两幅图片具有相同的特征向量越多，则可以认为两幅图片的相似程度越高。而特征向量的相似程度通常是用它们之间的欧氏距离来衡量，欧式距离越小，则可以认为越相似。

      匹配主要是用opencv对图像进行暴力匹配。依次找出两幅图像中相似度最高的两个特征向量，并将他们连线。用的是opencv内置算法，opencv用的是sift特征和FLANN算法进行最近距离计算。先贴代码，再看实验结果

</pre><pre name="code" class="cpp">#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include<opencv2/legacy/legacy.hpp>
#include <opencv2/nonfree/features2d.hpp> 
u