延續 DAY24 的內容，我們已經學會了 ORB 特徵點偵測與描述，並利用暴力匹配（Brute Force Matcher, BFMatcher）進行特徵點配對。
本章將進一步說明 ORB 與暴力匹配的差異與關係，並介紹 FLANN 匹配與 RANSAC 優化，讓你能更精確地評估與提升匹配結果。

ORB 與暴力匹配的差異與關係

• ORB（Oriented FAST and Rotated BRIEF）：負責在影像中「偵測特徵點」並「計算描述子」。ORB 產生的是二進制型態的描述子，速度快且記憶體需求低。
• 暴力匹配（Brute Force Matcher）：負責「比對」兩張影像的特徵描述子。它會將每個描述子與另一張影像的所有描述子逐一比較，找出距離最近的配對（ORB 通常用漢明距離）。

關係說明：
ORB 提供可比對的資料（描述子），暴力匹配則負責將這些描述子進行配對。兩者是分工合作的關係，常一起使用於特徵匹配流程。

🖼 測試圖片準備

依舊使用 box.jpg 與 box_in_scene.jpg 進行測試。

import cv2
import numpy as np

# 讀取圖片
img1 = cv2.imread("box.jpg")
img2 = cv2.imread("box_in_scene.jpg")

img1_gray = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY)
img2_gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)

cv2.imshow("Original img1", img1_gray)
cv2.imshow("Original img2", img2_gray)

# 將以下程式碼放在所有顯示語句的最後面
cv2.waitKey()
cv2.destroyAllWindows()

📌 暴力匹配（Brute Force Matching）

暴力匹配會對每個特徵點進行逐一比對，計算所有特徵點之間的距離，然後選擇距離最近的點作為匹配結果。

# 建立 ORB 物件
orb = cv2.ORB_create()

# 偵測關鍵點與描述子
kp1, des1 = orb.detectAndCompute(img1_gray, None)
kp2, des2 = orb.detectAndCompute(img2_gray, None)

# 建立暴力匹配器（使用漢明距離）
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

# 匹配特徵
matches = bf.match(des1, des2)

# 依照距離排序
matches = sorted(matches, key=lambda x: x.distance)

# 繪製匹配結果
img_matches = cv2.drawMatches(img1, kp1, img2, kp2, matches[:20], None, flags=2)
cv2.imshow("Brute Force Matching", img_matches)

補充說明：
暴力匹配適合特徵點數量較少的情境，實作簡單但計算量大，速度較慢。

📌 FLANN 匹配（Fast Library for Approximate Nearest Neighbors）

FLANN 是一種高效的特徵匹配方法，特別適合大規模資料集，能夠在近似最近鄰的基礎上快速進行特徵匹配。
與暴力匹配相比，FLANN 在特徵點數量多時能大幅提升速度。

# FLANN 參數（適用於 ORB 二進制描述子）
index_params = dict(algorithm=6, table_number=6, key_size=12, multi_probe_level=1)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)

# 執行匹配
matches_flann = flann.match(des1, des2)
matches_flann = sorted(matches_flann, key=lambda x: x.distance)

# 繪製匹配結果
img_matches_flann = cv2.drawMatches(img1, kp1, img2, kp2, matches_flann[:20], None, flags=2)
cv2.imshow("FLANN Matching", img_matches_flann)

補充說明：
FLANN 適合大量特徵點的匹配，速度快且資源消耗低。參數可根據描述子型態調整。

📌 比對結果的評估與優化

評估特徵匹配結果是否準確非常重要，常見的評估指標如下：

1. 匹配精度（Match Accuracy）

匹配精度通常以比對點的錯誤率來衡量。若匹配的特徵點在圖像中對應位置越接近，則精度越高。

2. 使用 RANSAC 改善匹配結果

RANSAC（Random Sample Consensus）是一種常用算法，用來過濾錯誤匹配點並進行擬合。
通常用於單應性矩陣（Homography）估算，能有效去除誤匹配。

# 計算匹配點對應的變換矩陣
pts1 = np.float32([kp1[m.queryIdx].pt for m in matches_flann]).reshape(-1, 1, 2)
pts2 = np.float32([kp2[m.trainIdx].pt for m in matches_flann]).reshape(-1, 1, 2)

# 使用 RANSAC 計算單應性矩陣
M, mask = cv2.findHomography(pts1, pts2, cv2.RANSAC, 5.0)

# 根據 RANSAC 結果過濾匹配點
matchesMask = mask.ravel().tolist()

# 繪製結果
img_matches_ransac = cv2.drawMatches(img1, kp1, img2, kp2, matches_flann, None, matchColor=(0, 255, 0), singlePointColor=(255, 0, 0), matchesMask=matchesMask, flags=2)
cv2.imshow("RANSAC Matching", img_matches_ransac)

補充說明：
cv2.findHomography() 可利用 RANSAC 過濾錯誤匹配，提升比對結果的準確性。
matchesMask 用來標示正確匹配點，繪製過濾後的匹配結果。

🔎 方法比較

補充說明：

• 暴力匹配適合特徵點數量較少的情境，FLANN 則適合大規模比對。
• RANSAC 可有效提升匹配精度，尤其在物體識別、影像拼接等應用中非常重要。

🎯 今日結語

1. ORB 負責特徵點偵測與描述，暴力匹配與 FLANN 則負責配對描述子，三者分工合作。
2. FLANN 匹配適合處理大規模資料集，速度快且資源消耗低。
3. 可利用 RANSAC 過濾錯誤匹配點，顯著提升匹配結果的準確性。
4. 實務上，選擇合適的匹配方法與評估策略，能有效提升影像處理的效果。