features_match — MATCHREG `featmatch` op

• Datenarten: table × table → table

• Aufruf: import fullseye as fs; fs.ledger.features_match(features1, features2, ratio=0.8, mutual=True, max_distance=None) (die Implementierung direkt: import featmatch; featmatch.features_match(features1, features2, ratio=0.8, mutual=True, max_distance=None); aus dem Register: opsmatchreg.get("features_match"))

• GPU: nein (nur CPU-Referenzimplementierung)

Verwendung

Ordnet zwei Merkmalstabellen per nächstem Nachbarn + Verhältnistest (+ gegenseitigem nächstem Nachbarn) zu. → table (kind="feature_matches").

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

記述子が実数(SIFT)なら L2、2 値(ORB)なら Hamming。1 番目に近い相手が 2 番目より明らかに近い(L2 は d1 < ratio · d2、2 乗距離では ratio² で比べる。Hamming は d1 < ratio · d2) ときだけ残し、mutual=True なら相手の側から見ても最近傍であることを求める。

実数の記述子での規則は features.match_descriptors と同じ(同じ入力で同じ組が返ることを tests/test_featmatch.py が固定している)。違いは距離行列を一括で作ること(GPU の影の経路に乗る形)と、2 値の記述子を受けること。

Args:

features1, features2: features_sift / features_orb の表。記述子の種類が同じであること。

ratio: 比の検定のしきい値(0 < ratio <= 1、既定 0.8)。

mutual: 相互最近傍を求めるか。

max_distance: 距離の上限(L2 は距離そのもの、Hamming はビット数)。None なら無し。

Returns:

dict(kind="feature_matches")。idx (M,2) / pts1 / pts2 (M,2) の (x, y) /

distance (M,)(L2 は距離、Hamming はビット数)/ ratio_value (M,)(d1/d2)/ metric /

n1 / n2 / image_shape1 / image_shape2。

Raises:

ValueError: 表の種類が違う / 記述子の種類か次元が違う / 引数が値域外。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie matching_registration

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_part_locate_features — py -3.11 examples/poc_part_locate_features.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

ransac_homography · ransac_fundamental · registration_to_flow2d

Gleiche Kategorie (`featmatch`)

features_sift · features_orb · ransac_homography · ransac_fundamental · features_accuracy_table

*Provenance: featmatch.py — MATCHREG Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

features_match — MATCHREG featmatch op