features_match — MATCHREG `featmatch` op

• データ種: table × table → table

• 呼び出し: import fullseye as fs; fs.ledger.features_match(features1, features2, ratio=0.8, mutual=True, max_distance=None) (実装を直接呼ぶなら import featmatch; featmatch.features_match(features1, features2, ratio=0.8, mutual=True, max_distance=None)、台帳から引くなら opsmatchreg.get("features_match"))

• GPU: なし(CPU 参照実装のみ)

使い方

2 つの特徴の表を最近傍 + 比の検定(+ 相互最近傍)で照合する。→ table(kind="feature_matches")。

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。

詳しい使い方ガイド

• matching_registration ファミリガイド

参考(サンプルデータ・文献)

• サンプルデータカタログ(DL URL / ライセンス) — 2-D は skimage.data(BSD/public)+ 合成、3-D は実データ源(Stanford/PDS 等)の DL URL。

• 演算子の来歴・参考文献 — この op 族の元になった研究/手法の出典。

• アルゴリズムの正典(著者・年)と用途は上記ファミリ使い方ガイドに記載。

実行できる例(この op を実際に呼ぶ検証済みサンプル)

• poc_part_locate_features — py -3.11 examples/poc_part_locate_features.py

型が繋がる次の op(`table` を入力に取れる)

ransac_homography · ransac_fundamental · registration_to_flow2d

同カテゴリ(`featmatch`)

features_sift · features_orb · ransac_homography · ransac_fundamental · features_accuracy_table

*Provenance: featmatch.py — MATCHREG operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。*

features_match — MATCHREG featmatch op

使い方