OpenCV-Python 密集 SIFT答案

【问题标题】：OpenCV-Python dense SIFTOpenCV-Python 密集 SIFT
【发布时间】：2013-11-22 13:55:01
【问题描述】：

OpenCV 有very good documentation on generating SIFT descriptors，但这是“弱 SIFT”的一个版本，其中的关键点由原始的Lowe algorithm 检测。 OpenCV 示例如下所示：

img = cv2.imread('home.jpg')
gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

sift = cv2.SIFT()
kp = sift.detect(gray,None)
kp,des = sift.compute(gray,kp)

我正在寻找的是强/密集 SIFT，它不会检测关键点，而是计算一组补丁（例如 16x16 像素，8 像素填充）的 SIFT 描述符，将图像覆盖为网格。据我了解，在 OpenCV 中有两种方法可以做到这一点：

换句话说，我必须将sift.detect() 行替换为能够提供所需关键点的内容。

我的问题是 OpenCV 文档的其余部分，尤其是 wrt Python，严重缺乏，所以我不知道如何实现这些东西。我在 C++ 文档中看到网格有关键点检测器，但我不知道如何在 Python 中使用它们。

另一种方法是切换到 VLFeat，它具有非常好的 DSift/PHOW 实现，但意味着我必须从 python 切换到 matlab。

有什么想法吗？谢谢。

【问题讨论】：

OpenCV 的最新版本（或者至少是它的 Python 绑定）似乎不再支持 .detect 和 .compute...相反，您必须使用 .detectAndCompute，这意味着它不再支持可以生成自己的关键点。
opencv3 不是这样

【解决方案1】：

你可以在 opencv 2.4.6 中使用 Dense Sift <.>

cv2.FeatureDetector_create(detectorType)

然后"Dense"字符串代替detectorType

例如：-

dense=cv2.FeatureDetector_create("Dense")
kp=dense.detect(imgGray)
kp,des=sift.compute(imgGray,kp)

【讨论】：

【解决方案2】：

我不确定您的目标是什么，但请注意，SIFT 描述符的计算速度非常慢，并且从未设计为以密集方式使用。话虽如此，OpenCV 让这样做变得相当简单。

基本上，您无需使用 sift.detect()，而是自己填写 keypoint 数组，方法是将网格设为关键点，无论您希望它们有多密集。然后，当您将关键点传递给 sift.compute() 时，将为每个关键点计算一个描述符。

根据图像的大小和机器的速度，这可能需要很长时间。如果计算时间是一个因素，我建议您查看 OpenCV 必须提供的一些 binary 描述符。

【讨论】：

谢谢大卫。那么我的问题是：我到底用什么填充关键点数组？我可以从 OpenCV API 页面以某种方式推断出正确的格式吗？感谢您对 SIFT 速度的提醒，VLFeat 密集 sift 的实现似乎非常快，所以我想我将不得不这样做。
此外，目标是将其用于场景/对象分类，密集筛选似乎比“普通”筛选更适合。
我刚刚在stackoverflow.com/a/33702400/2156909 举了一个例子回答了这个问题，如果它仍然感兴趣的话。

【解决方案3】：

尽管 OpenCV 方式是标准，但它对我来说太慢了。为此，我使用了 pyvlfeat，它基本上是 python 与 VL-FEAT 的绑定。这些函数的语法与 Matlab 函数相似

【讨论】：