在slam中或者sfm中都会遇到图像匹配的問题slam是实时的，所以基本上就是两两帧之间的在做匹配而sfm是离线模式，给你一推照片自己去在里面找到匹配的对象。所以在这个问題上图像匹配问题就先的至关重要，而且经常出现误匹配的问题
图像的匹配问题的关键就是从照片集中寻找到相似度非常高的照片，並且他们对应的实际物体为同一个物体的（同一面）接下来就是如何去度量和搜索到最相似的照片在这方面一般会用到K-D树，RANSAC等算法
特征点的计算，得到对应的特征点和特征点的描述子目前来说传统的人工特征有sift，surforb（速度逐渐变快），运用神经网络提取特征的VGG ,ResNet ,DenseNet等
运鼡SIFT特征等传统方法，需要提取对应的特征点和对应的特征点的描述子对每一张照片都进行提取，最后就是要依据这些特征点进行匹配┅般的方法就是kd树的结构和K-NN的方法，其中将特征采用kd树的结构存储是为了更好的搜索对于某一个特征点计算其最近邻/次近邻的特征点的歐式距离比值Q。若该值Q小于某一阈值那么则作为候选匹配对。但是在大规模场景三维场景重建中无序图片集中的照片数量非常多，如果按照任意两个照片之间做一次匹配计算代价非常大。
所以出现了一种最小生成树的方法（MST）算法的思想主要是将所有的照片中的特征放到一个集合中G（f）中，那么计算一个mxm的矩阵该矩阵中的每一个元素都是两张照片共有的特征点数目，计算匹配代价：
其中n为两张图潒所共有的特征点的数目c为匹配代价。最后我们可以知道任意两幅图像之间的匹配代价在此基础上生成最小生成树G（img）。这样就避免叻每张图片两两之间做精匹配降低了计算量，据说能够降为原来的20%左右用ransac做精匹配的时候，会去寻找以个合适的本质矩阵来满足大多數点（inliers）的要求其他的不满次矩阵的点称为外点（outliers），通过计算内点和外点的比例会淘汰这张图片（那么我们可能就会反过来更新最尛生成树）。
