Python openCV特征匹配中最小距离向量的快速获取方法

我正在使用python版本的openCV为两幅图像建立一个“相似性分数”。 首先，我找到每个图像的关键点及其描述符（例如，使用ORB或AKAZE）。 然后，我将这些关键点与图像进行匹配，并将这些匹配保存在一个列表中。 对于

matches

中的每个匹配

x

，我可以通过

x.distance

获得相应关键点之间的距离

我的相似性分数现在应该是匹配算法中找到的

k

最小距离的总和。显然，我可以得到这个分数（假设

k

）：

然而，这个循环非常慢。是否有一个向量化版本的

.distance

，我可以使用它将

匹配项直接转换为浮点列表

显然，还有其他方法可以做到这一点。但是它们都很慢（比如，它们意味着我以某种方式在比赛中循环）

谢谢大家!
 对k个最小距离求和的想法是什么？搜索k-最近邻搜索，你在这里“我会直接得到你需要的。OpenCV的描述符提供matcher->knnMatch。在教程中，他们通常选择k=2，但也可能使用任意k。看看@Mika：谢谢你的回答。也许我需要澄清一下。给定图1和图2，我的目标是对这些图像的相似性进行评分。如果匹配特征之间的最小k距离很小，这些图像将非常相似。与此相反，knnMatch会给出图2中与图1中给定关键点最相似的k个关键点。好的，您只想分析k个不同的关键点，而不是每个关键点的k个最佳匹配。你确定循环很慢吗？你的k有多大？你一共有几场比赛？使用快速排序进行排序应该很快。循环不应该那么慢。
matches = sorted(matches, key=lambda x: x.distance)
score = 0
for l in range(k):
    score += matches[l].distance