Algorithm 什么是当前被认为是；“最佳”；二维点匹配算法？

我有两个包含x-y坐标（恒星坐标）的列表。我还可以将星等（亮度）附加到每颗恒星上。现在，每颗恒星都有随机的位置抖动，并且在每张图像中可能会有一些额外的或缺失的点。我的问题是，“对于这样的数据集，什么是最好的2D点匹配算法？”我想对于简单的线性（平移、旋转、缩放）和非线性（例如，坐标中的n次多项式）都是这样。在点匹配领域的行话中，我正在寻找在2D点匹配程序与噪声和伪点之间的冲突中获胜的算法。可能会有不同的“赢家”，这取决于是否使用了标签信息（数量级）和/或转换被限制为线性

我知道，在每个类中有很多类的2D点匹配算法和许多算法（字面上大概有几百个），但是我不知道，如果有的话，是计算机视觉领域中的人们所说的“最好”或“最标准”。可悲的是，许多我想读的文章都没有在线版本，我只能读摘要。在我决定采用一种特定的算法来实现之前，最好听取一些专家的意见，把小麦和谷壳分开

---

我有一个使用三角形的工作匹配程序，但它经常失败（约5%的时间），因此解决方案转换有明显的扭曲，但没有明显的原因。这个程序不是我写的，它来自一篇大约20年前的论文。我想编写一个执行最稳健的新实现。我假设（希望）在这一领域已经取得了一些进展，这使得这一点成为可能。

我不久前在电视上看到一个节目，内容是研究人员如何拍摄鲸鱼的照片，并利用鲸鱼身上的斑点（每头鲸都有独特的斑点）来识别每头鲸鱼。它利用了斑点之间的角度。通过使用角度，图像是否被旋转、缩放或平移并不重要。这听起来很像你对三角形所做的。

我认为“最好的”（最技术的）方法是对原始图像和新的线性修改图像进行傅里叶变换。通过做一些简单的过滤，就可以很容易地计算出你的图像相对于旧图像的方向和比例。这里有一个关于二维傅里叶变换的描述。

没有一个“最佳”算法。有很多不同的技术，每种技术在特定的数据集和数据类型上都比其他技术更有效

---

我推荐的一件事是阅读ITK的教程，它支持多种类型的图像注册（这听起来像是您正在尝试的），并且在许多情况下都非常健壮。他们的大多数用户都在医疗领域，所以你必须通过大量的医学术语，但是算法和代码与任何类型的图像（包括1，2，3，和N维图像，不同类型等）一起工作。

< P>你可以考虑只在最亮的星星上应用你的算法，然后逐步包含其他搜索结果以优化结果，同时缩小搜索范围

---

使用对额外点的鲁棒性也是很常见的。

如果您对星号匹配感兴趣，请查看和。他们使用四点四边形来解决Flickr夜空图片中的恒星配置问题。退房。

我不确定它是否有效，但值得一试：

对于每颗恒星，对所有其他恒星进行以其为中心的圆周时间射线傅里叶变换（注意：这不是标准的傅里叶变换，即线乘以线）。

---

圆乘以射线的相空间是整数乘以直线，但是由于我们只有有限的精度，你只需要得到一个矩阵；矩阵的尺寸取决于精度。现在试着将矩阵配对（例如，使用L_2范数）

海报上说的是将点列表与随机位移进行匹配。这不是一个简单的参数图像配准。你也可以对数值数据进行2d FFT。它在1和0上运行得非常好。如果两幅图像因整体变换（如位移、缩放和旋转）而不同，则+1 Ribond是正确的。在逐星匹配之前，这将是一个很好的第一步。我也对这一步感兴趣。这个问题对于即将到来的比赛来说是完美的。所以，如果你想有这样一个问题的地方，请继续，并帮助这个建议起飞！这是一个有趣的项目。我一定会去看看，看看它能提供什么。+1张非常有趣和酷的幻灯片。对于这个问题来说，可能有点过头了。