这确实是个非常有趣的问题。 正如@hatboyzero指出的那样，变量的含义相当简单：
Nm是一致的数量。 (由于处于重复区域，明显的异常值已被删除。
Ni是发现Ransac单性后的内部数。
C是两张图像一致的自信。
一致的背景
从所有图像中找出感兴趣的点，并对它们计算描述符，从而完成全景图像的制作。 开发这些描述符，例如SIFT、SURF、ORB，以便可以检测出图像的相同部分。 这些只是中等尺寸的矢量(典型的为64或128维)。 通过计算L2或两个描述符之间的其他距离，可以发现匹配。 根据Nm记述，能找到一对图像中的多少匹配呢？
请注意，到目前为止，匹配仅通过感兴趣的点周围的图像区域的外观进行。 通常，这些匹配大多是完全错误的。 这可能是因为描述符看起来是一样的(请考虑一下。 多窗口建筑物的窗台和树叶等重复对象)。 或者，可能是因为描述符只能提供少量的信息。
常见的解决方案是添加几何约束。 由于图像对是使用同一照相机从同一位置拍摄的，因此在一个图像中较近的点也必须在另一个图像中较近。 更具体地说，所有的点都必须经历同样的变换。 全景时，相机将围绕相机镜头系统中的节点旋转。 该变换必须是二维单响应性的。
Ransac是找到最佳变换的金标准算法和与该变换相匹配的所有匹配。 这些一致的数量被称为Ni。 在这种情况下，Ransac随机选择4个一致(参照论文3.1节)，使单一性适合这4个一致。 并且，计算所有可能一致的一致数与这种单一性一致。 通过重复500次(见论文)，最后采用内部最多的模型。
自信期限
对我来说问题是关于这种神秘的自信。 很快就找到了计算的地方。
//thesecoeffsarefrompaperm.brown andd.Lowe.' automaticpanoramicimagestitching
//using Invariant Features '
matches _ info.confidence=matches _ info.num _ inliers/(8.3 * matches _ info.matches.size ) )；
//setzeroconfidencetoremovematchesbetweentoocloseimages，as they don't provide
//additionalinformationanyway.thethresholdwassetexperimentally。
matches _ info.confidence=matches _ info.confidence3. 0. matches_info.confidence；
mentioned paper
在第3.2节(“图像匹配验证的概率模型”)中有更详细的含义。
读这一节，有几件事很突出
他们的模型有很多变量(主要是概率)。 这些值由论文定义，没有任何理由。 以下是重要的句子。
thoughinpracticewehavechosenvaluesforp 0，p1，P(m=0)，p ) m=1) and pmin，theycouldinprinciplebelearntfromthedata。
所以，这是理论练习，因为参数已经被凭空移除了。 请注意，原则上可以学习。
论文13中可靠度的计算。 如果正确读取，matches_info.confidence表示两个图像之间的正确匹配，如果该值大于1。 如果可信度大于3，我认为没有任何理由消除一致。 这意味着异常值很少。 程序员认为许多匹配结果是异常值就意味着图像有很多重叠，但我认为这不是异常值