增加 SIFT 中检测到的特征数量会提高精度吗？

Question

我正在实现一个涉及Bag of Features 模型的content-based image retrieval 应用程序。我使用cv::SIFT 作为特征检测器。

无论如何，应用程序的性能不是很好，我正在尝试从第一步算法改进它们，即检测特征。

阅读cv::SIFT::create() documentation我看到了3个引起我注意的参数：

• nfeatures – 要保留的最佳特征的数量。特征按其分数排序（在 SIFT 算法中测量为本地 对比）
• contrastThreshold – 用于过滤半均匀（低对比度）区域中的弱特征的对比度阈值。越大的 阈值，检测器产生的特征越少。
• edgeThreshold – 用于过滤边缘特征的阈值。请注意，其含义与 contrastThreshold，即edgeThreshold越大，越少 特征被过滤掉（更多特征被保留）。

这意味着增加第一个和第三个参数，同时减少第二个参数，应该会提高算法精度（具有较低的时间性能）？

我特别想知道第一个参数，例如，如果我们设置nfeatures=2000，它将准确检测2000 功能，无论它们是否“有趣”。这意味着它会检测到“无趣”（如此糟糕）的关键点吗？

Answer 1

我在 python 中使用过 SIFT 算法，并且在某个时间点对它进行了研究以提高准确性。据我所知，以下是我可以整理的一些要点：

1. “有趣”特征的数量始终取决于您使用它来检测的对象。如果对象有非常随机的边缘，那么检测到的关键点会更多。如果图像更简单（例如，只有 1-2 种不同的颜色并且边界非常独特），那么检测到的关键点将非常少。在这种情况下，如果您增加“nfeatures”属性，则很有可能会检测到错误点并给您带来不好的结果。
2. 假设您有非常好的对象图像并且您获得了您正在寻找的“2000”个关键点，更改其他属性将显着影响特征，因为这些属性主要用于关键点定位。您需要使用参数进行微调，但这些参数可能因对象而异。

根据官方文档，http://docs.opencv.org/3.1.0/da/df5/tutorial_py_sift_intro.html#gsc.tab=0 您可以看到图像中有很多检测到的关键点。所以要找出更“有趣”的关键点，需要对参数进行实验

如果您正在寻找数学细节，我发现另一个非常有用的链接是： http://www.inf.fu-berlin.de/lehre/SS09/CV/uebungen/uebung09/SIFT.pdf?bcsi_scan_ee7e30f120188340=0&bcsi_scan_filename=SIFT.pdf

这可以帮助您在 MATLAB 中更改参数及其参数时查看结果： http://www.vlfeat.org/overview/sift.html 希望您发现这对您的努力有用。