使用一部分特征点参与多项式拟合，计算内符合精度，另一部分不参与拟合，计算外符合精度

对于这个问题，我们可以使用RANSAC算法来实现。RANSAC算法可以通过随机选取一部分特征点来进行多项式拟合，并计算出拟合误差。然后，根据拟合误差和阈值，筛选出符合条件的内部特征点和外部特征点，分别用于计算内符合精度和外符合精度。

以下是使用RANSAC算法计算内符合精度和外符合精度的Python代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取Quickbird参考影像和高景影像
ref_img = cv2.imread('ref_image.tif', 0)
tgt_img = cv2.imread('tgt_image.tif', 0)

# 提取Quickbird影像和高景影像的特征点
sift = cv2.xfeatures2d.SIFT_create()
ref_kp, ref_des = sift.detectAndCompute(ref_img, None)
tgt_kp, tgt_des = sift.detectAndCompute(tgt_img, None)

# 匹配Quickbird影像和高景影像的特征点
bf = cv2.BFMatcher()
matches = bf.knnMatch(ref_des, tgt_des, k=2)

# 挑选好的匹配点
good_matches = []
for m, n in matches:
    if m.distance < 0.75 * n.distance:
        good_matches.append(m)

# 获取匹配点的坐标
ref_pts = np.float32([ref_kp[m.queryIdx].pt for m in good_matches]).reshape(-1, 1, 2)
tgt_pts = np.float32([tgt_kp[m.trainIdx].pt for m in good_matches]).reshape(-1, 1, 2)

# 使用RANSAC算法进行多项式拟合
M, mask = cv2.findHomography(tgt_pts, ref_pts, cv2.RANSAC, 5.0)

# 计算内符合精度
inliers = mask.ravel().tolist()
inlier_pts = np.float32([tgt_pts[i] for i in range(len(inliers)) if inliers[i]])
inlier_ref_pts = np.float32([ref_pts[i] for i in range(len(inliers)) if inliers[i]])
mse_in = np.mean((inlier_ref_pts - cv2.perspectiveTransform(inlier_pts, M)) ** 2)
rmse_in = np.sqrt(mse_in)
print('RMSE (inliers):', rmse_in)

# 计算外符合精度
outliers = [not i for i in inliers]
outlier_pts = np.float32([tgt_pts[i] for i in range(len(outliers)) if outliers[i]])
outlier_ref_pts = np.float32([ref_pts[i] for i in range(len(outliers)) if outliers[i]])
mse_out = np.mean((outlier_ref_pts - cv2.perspectiveTransform(outlier_pts, M)) ** 2)
rmse_out = np.sqrt(mse_out)
print('RMSE (outliers):', rmse_out)

# 显示配准后的影像
aligned_img = cv2.warpPerspective(tgt_img, M, (ref_img.shape[1], ref_img.shape[0]))
plt.subplot(1, 2, 1)
plt.imshow(ref_img, cmap='gray')
plt.title('Reference Image')
plt.subplot(1, 2, 2)
plt.imshow(aligned_img, cmap='gray')
plt.title('Aligned Image')
plt.show()

在代码中，我们使用cv2.findHomography函数进行多项式拟合，并传入cv2.RANSAC作为参数，启用RANSAC算法。函数返回一个变换矩阵和一个掩膜，掩膜标记了哪些特征点被用于拟合，哪些特征点被认为是外部点。我们根据掩膜筛选出内部特征点和外部特征点，并计算内符合精度和外符合精度。最后，代码显示了配准前后的影像。

需要注意的是，在使用RANSAC算法时，需要选择合适的阈值。阈值越小，选择的内部特征点越少，精度越高，但可能会漏选一些内部点；阈值越大，选择的内部特征点越多，精度越低，但可能会将一些外部点误判为内部点。