%?讀入兩幅圖象，找出他們的特征塊，然后進行匹配，最后在各匹配塊之間連線以表示匹配情況
%?function?num?=?match（image1?image2）
function?angle=rotation（ab）
img1=uint8（a）;
img2=uint8（b）;
%?image1?=?im2double（image1）;
%?H?=?fspecial（‘gaussian‘[3?3]1）;?
%?image1?=?conv2（image1H‘same‘）;
%?image1?=?imnoise（image1‘salt?&?pepper‘?0.02）;
%?調用函數尋找每幅圖象的特征點以及特征塊.???
%?im?=?double（image）
%?des?特征描述符
%?loc?特征點坐標、角度、尺度
[im1?des1?loc1]?=?sift（img1）;?
[im2?des2?loc2]?=?sift（img2）;
%?fprintf（‘matching...‘）;

%兩個向量（a1a2a3...）（b1b2b3...）的距離，可以用歐基里德距離來計算：d=（a1-b1）^2+（a1-b1）^2+
%（a1-b1）^2+...也可以用d=acos（a1*b1+a2*b2+a3*b3）來計算，由于在MATLAB中后者的運算速度要遠遠快于前者
%所以這里用后者來計算兩個特征向量之間的距離

%匹配時，用圖象1里的一個向量和圖象2中的所有向量進行匹配（即計算距離），那么有一個最佳匹配和一個次佳。distRatio表示
%次佳和最佳之間的比值，可以用來消除很大一部分的誤配，distRatio越大=最后匹配點越多（誤差越大），distRatio越小=最后
%匹配點越少（誤差越小），
distRatio?=?0.75;???

%下面進行匹配
des2t?=?des2‘;??????????????????????????%?轉置
for?i?=?1:size（des11）
???dotprods?=?des1（i:）?*?des2t;????????%?計算圖象1中的一個向量和圖象2中所有向量的距離，并進行排序
???[valsindx]?=?sort（acos（dotprods））;???

???%?如果最小距離小于次小距離的distRatio倍，則認為匹配成功.
???if?（vals（1）???????match1（i）?=?indx（1）;?????%匹配標記match1（i）>0表示此處匹配
???else
??????match1（i）?=?0;
???end
end
%利用歐基里德距離計算，速度要慢很多
%?distRatio?=?0.6;?
%?for?i?=?1?:?size（des11）
%?????error1?=?[];
%?????for?j?=?1?:?size（des21）
%?????????error1?=?[error1?sum（abs（des1（i:）?-?des2（j:）））];
%?????end
%?????[valsindx]?=?sort（error1）;
%?????if?（vals（1）?%?????????match1（i）?=?indx（1）;
%?????else
%??????????match1（i）?=?0;
%?????end
%?end
%?將2幅圖象按一左一右放置.
%im3?=?appendimages（im1im2）;

%?顯示圖象匹配點之間的連線.其實這一步可以到最后面再做，因為下面還要先進行誤配點的剔除，但是既然寫在這里了，我就懶的改了，哈哈
%figure（‘Position‘?[100?100?size（im32）?size（im31）]）;
%colormap（‘gray‘）;
%imagesc（im3）;
%hold?on;
cols1?=?size（im12）;
j?=?1;
for?i?=?1:?size（des11）
??if?（m