增加SIFT中检测到的特征的数量将提高精度？

Question

我正在实现一个涉及到基于内容的图像检索模型的特色袋应用程序。我用cv::SIFT作为特征检测器。

无论如何，应用程序的性能并不好，我正在尝试从第一步算法(即检测特征)中改进它们。

阅读文档时，我看到了三个引起我注意的参数：

• 要保留的最佳功能的数量。这些特征是根据它们的分数排列的(在SIFT算法中作为局部对比来衡量)。
• contrastThreshold --用于过滤半均匀(低对比度)区域弱特征的对比度阈值.阈值越大，检测器产生的特征就越少。
• edgeThreshold -用于过滤边缘类特征的阈值.注意，它的含义与contrastThreshold不同，即edgeThreshold越大，过滤的功能就越少(保留的功能越多)。

这意味着增加第一和第三参数，同时降低第二参数，应该提高算法的精度(降低时间性能)？

我想知道这一点，特别是对于第一个参数，例如，如果我们设置nfeatures=2000，它将准确地检测2000特性，不管它们是否“有趣”。这意味着它会检测到“无趣”(非常糟糕)的关键点吗？

Answer 1

我在python中使用了SIFT algo，并在某个时候对其进行了研究，以提高准确性。以下是我记忆中可以整理的几点：

1. “有趣”特性的数量将始终取决于您要使用它检测的对象。如果目标具有非常随机的边缘，则检测到的关键点将更多。如果图像比较简单(例如，只有1-2个不同的颜色和非常独特的边框)，那么检测到的关键点就会非常少。在这种情况下，如果您增加了"nfeatures“属性，就很有可能检测到错误的点，并且会给您带来不好的结果。
2. 假设您有非常好的对象图像，并且您得到了您正在寻找的"2000“关键点，那么更改其他属性将显著影响这些特性，因为这些属性主要用于keypoint本地化。您需要使用参数来进行微调，但这些参数可能因对象而异。

根据官方文档，intro.html#gsc.tab=0可以看到图像中有很多检测到的关键点。因此，为了找出更“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：filename=SIFT.pdf

这可以帮助您查看结果，因为您更改了params及其在MATLAB：http://www.vlfeat.org/overview/sift.html的希望，您发现这对您的符咒有用。