《表1 4种算法性能比较：基于多核学习-密度峰值聚类的基础矩阵估计》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多核学习-密度峰值聚类的基础矩阵估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表1分别列出了每种场景下不同算法计算获得的最终匹配点数、余差、平均对极距离和计算时间。由表1可以看出：1）对于最终估计基础矩阵所保留的匹配点数，LMedS方法最多，R-RANSAC法次之，本文算法与LO-RANSAC算法相当；2）在误差和余差方面，相对于精度最高的LO-RANSAC算法，本文算法的余差和误差分别提高了16%和13%，证明了本文算法的精度和有效性较好；3）从算法时间看，对于不同的场景图片，本文算法整体与其他算法相当，虽然计算时间出现时大时小的问题，但总体依然较小，原因是本文算法在聚类时，是根据不同的平均对极距离进行聚类，聚类次数由对极距离决定，因此当对极距离相差较大时，聚类次数增加，导致算法整体时间增加。