我正在比較兩個使用SIFT在java中使用Stephan Saalfeld的篩選實現的圖像 - http://fly.mpi-cbg.de/~saalfeld/Projects/javasift.html。但由於缺乏適當的例子，我發現使用它很困難。我能夠獲得這兩個圖像的描述符，然後獲取它們相應的匹配描述符，最後應用RANSAC忽略錯誤匹配。現在，我留下了一些inlier。但我很困惑如何得出兩幅圖像是否相似？SIFT-圖像比較
RANSAC爲您提供了轉換矩陣（包括平移，旋轉和縮放值）。使用這些信息，您可以嘗試將圖像放在彼此上以查看SIFT找到的匹配項。
RANSAC的一個優點是它能夠對模型參數進行魯棒估計，即即使在數據集中存在大量異常值時，它也可以高準確度地估計參數。 RANSAC的缺點是計算這些參數所用的時間沒有上限。當計算的迭代次數有限時，獲得的解決方案可能不是最佳的，並且它甚至可能不是一個能很好地適合數據的解決方案。通過這種方式，RANSAC提供了一種權衡;通過計算更多的迭代次數，增加了產生合理模型的概率。 RANSAC的另一個缺點是需要設置特定於問題的閾值。 RANSAC只能爲特定的數據集估算一個模型。至於存在兩個（或更多）模型實例的任何一種模型方法，RANSAC可能無法找到任何一個。霍夫變換是一種替代的魯棒估計技術，當存在多個模型實例時可能會有用。結論是，你可以說有多少兩幅圖像是相似的。它不能總是告訴你，它是一個完全匹配或總差異。所以你會在應用RANSAC後得到比賽。然後你可以發現，好匹配的比例超過總匹配，然後你需要根據這些信息來決定。