增加SIFT中檢測到的特徵數量會提高精度？

Question

我正在實施一個content-based image retrieval應用程序，其中涉及Bag of Features模型。我使用cv::SIFT作爲特徵檢測器。

無論如何，應用程序的性能不是很好，我試圖從第一步算法，它是檢測功能，以提高他們。

閱讀cv::SIFT::create() documentation我看到3個參數，引起了我的注意：

• n功能 - 的最佳功能保留的數量。對比度閾值 - 用於濾除半均勻（低對比度）區域中弱微特徵的對比度閾值。（對比度閾值用於濾除半均勻（低對比度）區域中的微弱特徵。閾值越大，檢測器產生的特徵越少。
• edgeThreshold - 用於濾除邊緣狀特徵的閾值。請注意，其含義與對比度閾值不同，即邊緣閾值越大，濾除特徵的功能越少（保留更多功能）。

這意味着，增加第一和第三參數，而減小第二，應該提高算法的精度（以較低的時間表演）？

我想知道這個特別是對於第一個參數，例如，如果我們設置了nfeatures=2000，那麼無論它們是否「有趣」，它都會準確檢測到2000的特徵。這意味着它是否會檢測到「無趣」（非常糟糕）的關鍵點？

Answer 1

我已經在python中使用了SIFT算法，並且在某些時間點上研究了它以提高準確性。以下是我可以整理的一些點，據我所知：

1. 「有趣」功能的數量將始終取決於您使用它檢測的對象。如果對象邊緣非常隨機，那麼檢測到的關鍵點會更多。如果圖像更簡單（即例如僅具有1-2個不同的顏色並且具有非常獨特的邊界），則檢測到的關鍵點將非常少。在這種情況下，如果增加「nfeatures」屬性，很可能會檢測到錯誤的點並且會給您帶來不好的結果。
2. 假設您具有非常好的對象圖像，並且您獲得了要查找的「2000」關鍵點，但更改其他屬性將顯着影響這些特徵，因爲這些屬性主要用於關鍵點本地化。您需要使用參數進行微調，但這些參數可能因對象而異。

根據官方文檔，http://docs.opencv.org/3.1.0/da/df5/tutorial_py_sift_intro.html#gsc.tab=0 您可以看到圖像中有很多檢測到的關鍵點。所以findout更「有趣」的關鍵點，參數被實驗

而且，我覺得非常有用的，如果你正在尋找數學細節另一個鏈接是： http://www.inf.fu-berlin.de/lehre/SS09/CV/uebungen/uebung09/SIFT.pdf?bcsi_scan_ee7e30f120188340=0&bcsi_scan_filename=SIFT.pdf

這可以幫助你在查看結果當你改變參數，並在MATLAB中： http://www.vlfeat.org/overview/sift.html 希望你發現這對你的作品有用。