【发布时间】：2016-06-20 21:01:11
【问题描述】：
这个问题适用于那些尝试过对大脑图像进行特征检测/匹配方法的人 - 这是一个广泛的问题，也许是一个糟糕的问题：
你怎么知道你使用的方法是否“足够好”？
对于您的数据而言，成功的匹配/检测测试是什么样的？
编辑： 到目前为止，我并没有特别尝试检测任何明显的特征。 我正在使用 OpenCV 的 ORB、SIFT、SURF 等检测方法，并查看它们识别的特征。 然而，有时，大脑的方向会完全改变 几组图像到下一组，所以如果我比较这些组中的两张图像，检测方法不会产生任何有效 结果（即匹配将明显，完全关闭）。但如果我比较看起来相似但不相同的图像， 检测似乎工作正常。关键是，似乎检测适用于大约相同的帧 时间，但不是很长的时间间隔。我想知道其他人是否遇到过这种情况以及他们是否发现了检测方法 尽管事实上仍然有用。
【问题讨论】：
-
这个问题确实太宽泛了。您要匹配哪种功能？你的最终目标是什么？
-
到目前为止，没有什么特别明显的。我正在使用 OpenCV 的 ORB、SIFT、SURF 等检测方法，并查看它们识别的特征。然而，有时大脑的方向会从几组图像完全改变到下一组，所以如果我比较这些组中的两张图像，检测（见上面的问题）
-
您列出的 3 个功能应该是旋转不变的。如果你
1. extract descriptors for an image 2. rotate image 3. extract descriptorsagain。大多数描述符应该是相同的。这并不意味着原始图像的 feature1 将匹配旋转版本的 feature1。但是每个描述符都应该有一对。如果你没有通过这个测试得到很好的检测，也许你的匹配算法已经关闭了？没有更多细节很难说 -
再一次，没有最终目标很难评估它们。也许您只是使用了错误的工具来解决问题。一个简单的评估方法是匹配描述符：从一个帧到另一个描述符提供更好的匹配。但是...我不确定您在医学成像中尝试使用此功能... SIFT 关键点会检测到您的“有趣”区域...绝对不能保证它会检测到您需要/想要的东西.这就是我问你的目标的方式......这些描述符在医学成像中不是很流行（除非密集计算）。
标签： image-processing feature-detection feature-extraction