图像匹配概念与分类，方法等

图像匹配是指在两幅或多幅图像中，找出相同或相似的目标物体或场景。可以分为基于特征的匹配和基于深度学习的匹配。

基于特征的匹配主要包括以下几种方法：

1. SIFT (Scale-invariant feature transform)：SIFT算法通过检测图像中的关键点，并提取这些关键点的局部特征，然后通过计算这些特征的相似度来进行图像匹配。

2. SURF (Speeded Up Robust Features)：SURF算法是SIFT算法的改进版，通过使用积分图像的方法来加速特征点检测和特征描述子的计算。

3. ORB (Oriented FAST and Rotated BRIEF)：ORB算法结合了FAST角点检测和BRIEF描述子，具有速度快、对图像旋转和缩放具有不变性等优点。

4. BRISK (Binary Robust Invariant Scalable Keypoints)：BRISK算法是ORB算法的改进版，它使用更加稳健的描述子，并加强了对旋转和缩放的不变性。

基于深度学习的匹配主要包括以下几种方法：

1. Siamese网络：Siamese网络是一种双塔结构的网络，通过将两幅图像输入到两个相同的网络结构中，输出两个特征向量，然后通过计算这两个特征向量的距离来进行图像匹配。

2. Triplet网络：Triplet网络是一种三塔结构的网络，通过将三幅图像输入到三个相同的网络结构中，输出三个特征向量，然后通过计算正样本和负样本的距离差值来进行图像匹配。

3. CNN特征匹配：基于CNN的图像匹配方法，通过使用预训练的卷积神经网络提取图像的特征向量，然后通过计算这些特征向量的相似度来进行图像匹配。这种方法可以使用端到端的方法进行训练，从而学习到更加高效的特征表达方式。

总体来说，基于特征的匹配方法适用于小规模数据集和轻量级任务，而基于深度学习的匹配方法适用于大规模数据集和复杂任务。