当我们已经匹配关键点时，为什么我们需要使用 RANSAC？
Why we need to use RANSAC when we already match keypoints?
我目前正在研究将图像拼接在一起的计算机视觉程序。我使用 KAZE 算法寻找关键点并描述它们。比我使用蛮力匹配器来匹配它们。从这个阶段开始，我准备好缝合它们了，我想是因为我知道哪个点属于哪里，对吧？因为我正在研究一些文献等。我看到它们总是匹配关键点然后使用随机的 RANSAC？当我已经通过强力匹配知道哪个关键点属于哪个时，为什么还要使用 Ransac？
感谢您的回答，祝您有愉快的一天
RANSAC（和变体）是一种算法，用于将匹配的关键点稳健地拟合到从一个图像到另一个图像的转换（"warp"）的数学模型，例如，单应性。这里的关键字是 "robustly"：该算法非常努力地尝试识别大量（理想情况下，最大的）可接受的匹配关键点集，从某种意义上说，它们在支持模型的特定值方面彼此一致。
这样做是因为匹配的关键点对可能是 "wrong"，要么是因为匹配算法搞砸了（认为左眼与右眼匹配），要么是因为匹配正确，但不符合到模型（当两张图像相隔一段时间拍摄时，想想在行驶中的汽车的同一点上匹配）。当估计过程不稳健时，这些错误匹配或 "outliers" 可能（并且通常会）放弃模型估计。
我目前正在研究将图像拼接在一起的计算机视觉程序。我使用 KAZE 算法寻找关键点并描述它们。比我使用蛮力匹配器来匹配它们。从这个阶段开始，我准备好缝合它们了，我想是因为我知道哪个点属于哪里，对吧？因为我正在研究一些文献等。我看到它们总是匹配关键点然后使用随机的 RANSAC？当我已经通过强力匹配知道哪个关键点属于哪个时，为什么还要使用 Ransac？
感谢您的回答，祝您有愉快的一天
RANSAC（和变体）是一种算法，用于将匹配的关键点稳健地拟合到从一个图像到另一个图像的转换（"warp"）的数学模型，例如，单应性。这里的关键字是 "robustly"：该算法非常努力地尝试识别大量（理想情况下，最大的）可接受的匹配关键点集，从某种意义上说，它们在支持模型的特定值方面彼此一致。
这样做是因为匹配的关键点对可能是 "wrong"，要么是因为匹配算法搞砸了（认为左眼与右眼匹配），要么是因为匹配正确，但不符合到模型（当两张图像相隔一段时间拍摄时，想想在行驶中的汽车的同一点上匹配）。当估计过程不稳健时，这些错误匹配或 "outliers" 可能（并且通常会）放弃模型估计。