使用python实现quickbird为参考用二次多项式的高景影像的相对配准，使用一部分的特征点参与多项式拟合，计算内符合精度和另一部分不参与拟合的外符合精度

实现此功能的一般步骤如下：

1. 读取待配准的高景影像和参考影像，并提取特征点。
2. 选择一部分特征点进行多项式拟合，得到变换模型。
3. 使用得到的变换模型将待配准的高景影像进行变换，得到配准后的影像。
4. 计算一部分未参与拟合的特征点的外符合精度。
5. 计算一部分参与拟合的特征点的内符合精度。

下面是一个简单的示例代码：

import cv2
import numpy as np

# 读取待配准的高景影像和参考影像
img1 = cv2.imread('high_res_image.tif')
img2 = cv2.imread('reference_image.tif')

# 提取特征点
orb = cv2.ORB_create()
kp1, des1 = orb.detectAndCompute(img1, None)
kp2, des2 = orb.detectAndCompute(img2, None)

# 匹配特征点
bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)
matches = bf.match(des1, des2)

# 选择一部分特征点进行拟合
src_pts = np.float32([kp1[m.queryIdx].pt for m in matches]).reshape(-1, 1, 2)
dst_pts = np.float32([kp2[m.trainIdx].pt for m in matches]).reshape(-1, 1, 2)
M, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC, 5.0)

# 使用变换模型将待配准的高景影像进行变换
img1_aligned = cv2.warpPerspective(img1, M, (img2.shape[1], img2.shape[0]))

# 计算一部分未参与拟合的特征点的外符合精度
outliers = [m for i, m in enumerate(matches) if not mask[i]]
mean_error_outliers = np.mean([m.distance for m in outliers])

# 计算一部分参与拟合的特征点的内符合精度
inliers = [m for i, m in enumerate(matches) if mask[i]]
mean_error_inliers = np.mean([m.distance for m in inliers])

# 输出内外符合精度
print("Mean error of outliers: ", mean_error_outliers)
print("Mean error of inliers: ", mean_error_inliers)

需要注意的是，这只是一个简单的示例代码，实际应用中需要根据数据集的具体情况进行调整，如选择适当的特征点提取方法、变换模型以及参数设置等。