我一直在使用the OpenCV website中的代码来检测对象。我是OpenCV和图像处理的初学者，并且一直在尝试理解SURF的工作。我有一些疑问。
1.我一直在使用彩色图像进行检测，结果一直很好。有人建议使用灰度图像，是否会提高算法的性能？
2.在代码中，仅通过匹配距离小于3 * Mindist进行过滤的意义是什么？
for( int i = 0; i < descriptors_object.rows; i++ )
{ if( matches[i].distance < 3*min_dist )
{ good_matches.push_back( matches[i]); }
}
3.尽管在高照度图像中检测是稳健的（我使用900作为粗糙值），但是在低光条件下相同的图像不会被检测到具有相同的粗糙值，是否有办法同时使用相同的hessian值和两个条件的相同参考图像？cv :: equalizeHist（）是否有用？如果是，有人可以建议我与SURF检测代码集成的方法吗？
返回匹配的4.DMatch结构有一个名为distance的参数，它返回描述符之间的距离。这是什么意思？是否有返回距离的单位？5.我还想知道在物体检测的时间复杂度，比例和旋转不变性方面是否有比SURF更好的描述符。
提前感谢您的时间和回复。
答案 0 :(得分：0)
SURF适用于灰度图像。
有很多假随机匹配（因为如果你在img1中有100个功能，你将总是有100个匹配）并且过滤它们是个好主意。但更好的方法是检查相对距离 - 如何在Use Euclidean distance in SURF）
是的，可以使用它。您只需使用修改后的图像而不是原始图像 由于低像素强度和暗区中的低对比度，您可以检测到少量特征，这会降低检测器响应。当应用于暗图像时，直方图均衡化增加了对比度，这增加了低于阈值的局部最大值的数量。
cv :: Mat img1，img1histEq; CV :: equalizeHist（IMG1，img1histEq）;
SURF可以被视为128维向量。距离是某些空间中两个这样的向量之间的距离，通常是欧几里德 - 相应向量元素之间的平方差的总和。其他指标，例如也可以使用L1，但Euclidean最常用于SURF。