Python 基于局部特征匹配的匹配质量评价

我正在研究一个系统，它使用局部特征变换算法来识别物体。对于每个数据集，每个对象有两个图像。我的管道工程如下：

从查询数据集中的图像中提取描述符（大小n）并存储描述符

从训练数据集中的图像中提取描述符（大小为m）并存储描述符

将查询描述符与培训描述符匹配

对于每个匹配迭代，应用比率测试来只提取好的特征

存储良好匹配/所有匹配的比率（1.0表示查询中所有匹配的100%与火车完全匹配）

下面是一些代码来说明这个过程。我正在将Python与OpenCV一起用于我的管道

nfeatures=1000#筛选使用nfeatures=1000创建的对象
query_descs=np.zero（（nfeatures，128，len（query_files）），dtype=np.uint8）#SIFT描述符的长度为128字节
列描述=np.0（（n特征，128，len（列文件）））
对于i，枚举中的文件（查询文件）：#查询文件列表
img=cv2.imread（文件，0）#读取灰度
kpts，desc=筛选、检测和计算（img，无）
查询_descs[：，：，i]=desc
对于i，枚举中的文件（列文件）：#查询文件列表
img=cv2.imread（文件，0）
kpts，desc=筛选、检测和计算（img，无）
列车描述[：，：，i]=描述
分数=np.0（（len（查询文件），len（训练文件））
对于范围内的i（分数.shape[0]）：
对于范围内的j（分数形状[1]）：
matches=matcher.knnMatch（查询描述[：，：，i]，序列描述[：，：，j]，k=2）
好=0
对于匹配中的m，n：
如果m.距离<阈值*n.距离：
良好+=1
分数[i，j]=良好/非特征

结果是一个大小为nxm的矩阵，通常每行包含一个强大的最大值。该最大值原则上应该是正确的对象/图像

我的问题是，我不需要知道哪些功能匹配得最好，但只有当它匹配得很好时才需要知道，如果是这样，则增加变量

good

通常如何执行两幅图像的质量匹配？使用

matcher.matchKnn（）

似乎可以执行更多的匹配，我希望减少所有不必要的操作以获得最佳性能