Как использовать алгоритм SIFT, чтобы вычислить, насколько похожи два изображения?

Во-первых, разве вы не должны использовать vl_sift вместо просеивания?

Во-вторых, вы можете использовать сопоставление функций SIFT, чтобы найти соответствия в двух изображениях. Вот пример кода:

    I = imread('p1.jpg');
    J = imread('p2.jpg');

    I = single(rgb2gray(I)); % Conversion to single is recommended
    J = single(rgb2gray(J)); % in the documentation

    [F1 D1] = vl_sift(I);
    [F2 D2] = vl_sift(J);

    % Where 1.5 = ratio between euclidean distance of NN2/NN1
    [matches score] = vl_ubcmatch(D1,D2,1.5); 

    subplot(1,2,1);
    imshow(uint8(I));
    hold on;
    plot(F1(1,matches(1,:)),F1(2,matches(1,:)),'b*');

    subplot(1,2,2);
    imshow(uint8(J));
    hold on;
    plot(F2(1,matches(2,:)),F2(2,matches(2,:)),'r*');

vl_ubcmatch() выполняет, по существу, следующее:

Предположим, что у вас есть точка P в F1, и вы хотите найти "лучший" матч в F2. Один из способов сделать это - сравнить дескриптор P в F1 со всеми дескрипторами в D2. По сравнению, я имею в виду найти евклидово расстояние (или L2-норму разности двух дескрипторов).

Тогда я нахожу две точки в F2, скажем, U и V, которые имеют наименьшее и второе минимальное расстояние (например, Du и Dv) от P соответственно.

Здесь, что рекомендовал Лоу: если Dv/Du >= порог (я использовал 1.5 в примере кода), то это соответствие допустимо; в противном случае он неоднозначно сопоставляется и отклоняется как соответствие, и мы не сопоставляем точку в F2 с P. По существу, если есть большая разница между лучшим и вторым лучшим совпадением, вы можете ожидать, что это будет соответствовать качеству.

Это важно, так как существует много возможностей для двусмысленных совпадений в изображении: представить совпадающие точки в озере или здании с несколькими окнами, дескрипторы могут выглядеть очень похожими, но соответствие явно неверно.

Вы можете выполнить сопоставление любым количеством способов. Вы можете сделать это очень легко с помощью MATLAB, или вы можете ускорить его, используя KD-дерево или приблизительный поиск ближайшего номера, например FLANN, который был реализован в OpenCV.

EDIT: Кроме того, существует несколько kd-tree-реализаций в MATLAB.