Lowe 如何计算他的 SIFT 算法的“可重复性”？答案

【问题标题】：How does Lowe compute the “repeatability” of his SIFT Algorithm?Lowe 如何计算他的 SIFT 算法的“可重复性”？
【发布时间】：2012-04-24 02:10:02
【问题描述】：

在他2004年的论文“Distinctive Image Features from Scale-Invariant Keypoints”中，他给出了许多“重复性”作为XXX函数的图，例如图3,4和图6，但他没有详细说明如何计算“可重复性”。

他实际上在第 8 页的图 3 中对“可重复性”进行了简单的解释，即“在转换后的图像中，在相同位置和比例下可重复检测到的关键点的百分比”。

但是，1)我们如何才能知道在转换后的图像中检测到关键点的天气，只需逐个检查关键点？我不认为这是实用的，因为有成千上万的关键点。

2) 我们可以认为在相同位置重复检测到的关键点有多接近？ 3像素，6像素？还是根本不按像素计算？

我不知道如何上传论文“Distinctive Image Features from Scale-Invariant Keypoints”。链接在这里： http://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf

【问题讨论】：

请参考/链接。

标签： algorithm image-processing computer-vision sift

【解决方案1】：

如果您在第 9 页的第一段中注意到，作者会更详细地说明在同一位置检测到关键点的容差。首先，“相同的比例”被给出为在正确比例的sqrt(2) 的因子之内，这必须为操作员所知或在数据集中手工标记。其次，“同一位置”被定义为在 x 和 y 方向上的 σ 个像素内，其中“σ 是关键点的尺度（由等式（1）定义为差分中使用的最小高斯的标准偏差 -高斯函数)"

至于您更一般的问题，不幸的是，答案是确实必须彻底检查关键点。您收集了检测器在转换后的图像上触发的所有位置/比例对，并将它们与原始图像中的真实位置进行比较。您需要手动记录关键点位置，或者首先运行一个简单的算法（例如使用基本的 KLT 关键点检测器，并仅存储它找到的关键点的坐标列表并假装这些是“基本事实”...... ' 会以这种方式受到一些准确性的影响，但您将更能够自动化该过程）。

像这样的大规模繁重工作（编写代码以详尽地检查大量关键点）通常是外包给研究生的东西。布勒格。

【讨论】：

“同一位置”定义为在 x 和 y 方向的 σ 个像素内，其中“σ 是关键点的尺度（由等式 (1) 定义为最小的标准差）高斯差分函数中使用的高斯函数）”。那么大尺度的关键点，比如 3 σ，会和小尺度的关键点，比如 1.5 σ 有相同的容差？
我理解方程（1），我不明白的是公差“σ 像素”适用于所有关键点，这意味着具有大尺度（3σ）的关键点将具有我认为与小尺度（1.5σ）的关键点具有相同的容差，这是不公平的。你能给我一个提示吗？
是的，在不同的尺度下，您对关键点的接近度有不同的容差。
所以基本上一个关键点是否被重复检测是由它的位置和规模来定义的。该位置应在 x 和 y 方向上的 σ 个像素内，并且比例尺应在正确比例的 sqrt(2) 因子内。我可以通过检查关键点是否出现在两个图像的相同位置来判断位置是否正确，如果是，则关键点对匹配。但是，我怎么知道关键点对的比例是否仍然匹配？例如，一个关键点的位置 (12,45) 比例为 1.9；在另一幅图像中，关键点的位置为 (67,24) scake 2.8。我检查了两个图像并确认
第一张图片的 (12,45) 与第二张图片的 (67,24) 位置相同，所以我可以说它们在同一个位置。但是 1.9 和 2.8 呢？我不能说 2.8>1.9*sqrt(2)，所以它们的比例不一样，毕竟它们在不同的图像中。你有什么看法？