Question

我有一个（天真的）问题，我只是想澄清这一部分。所以，当我在一张图片上拍摄dsift时，我通常会得到128xn matrix。事实上，n值在不同的图像中并不总是相同的。假设图像1获得128x10 matrix，而图像2获得128x18 matrix。我不太清楚为什么会这样。

我认为128维的每一列代表单个图像特征或从图像中检测到的单个色块。因此，在128x18的情况下，我们提取了18个补丁并描述了每个补丁128个值。如果这是正确的，为什么我们每个图像都有固定数量的补丁，比如20个补丁，所以每次我们的矩阵都是128x20。

干杯！

Answer 1

这是因为每个图像检测到的可靠功能的数量会发生变化。仅仅因为您在一个图像中检测到10个要素，不意味着您将能够在另一个图像中检测到相同数量的要素。什么重要是一个图像中的一个特征与另一个图像匹配的距离。

如果你想要有一些不变的东西，你可以做的（如果你愿意的话）就是提取两个图像中最匹配的10个最可靠的特征。选择一个小于或等于两者之间检测到的修补程序数的最小值的数字。例如，假设您在一个图像中检测到50个要素，在另一个图像中检测到35个要素。之后，当您尝试将这些功能匹配在一起时，这会导致......说...最匹配的20个点。你可以选择最好的10个，或15个，甚至所有的点数（20），然后从那里开始。

我将向您展示一些示例代码，以说明我的观点，但请记住，我将使用vl_sift而不是vl_dsift。之所以如此，是因为我希望以最少的预处理和后处理向您展示视觉效果。如果您选择使用vl_dsift，则需要在dsift计算功能之前和之后进行一些工作，如果您想要显示相同的结果。如果您想查看执行此操作的代码，可以在此处查看vl_dsift帮助页面：http://www.vlfeat.org/matlab/vl_dsift.html。无论哪种方式，选择最可靠功能的想法都适用于sift和dsift。

例如，假设Ia和Ib是同一对象或场景的uint8灰度图像。您可以先通过SIFT检测功能，然后匹配关键点。

[fa, da] = vl_sift(im2single(Ia));
[fb, db] = vl_sift(im2single(Ib));
[matches, scores] = vl_ubcmatch(da, db);

matches包含2 x N矩阵，其中每列的第一行和第二行表示第一图像（第一行）中哪个特征索引与第二图像（第二行）匹配最佳。

执行此操作后，请按升序顺序对分数进行排序。较低的分数意味着更好的匹配，因为两个特征之间的默认匹配方法是Euclidean / L ₂范数。就这样：

numBestPoints = 10;
[~,indices] = sort(scores);

%// Get the numBestPoints best matched features
bestMatches = matches(:,indices(1:numBestPoints));

这应该返回两个图像之间的10个最佳匹配。 FWIW，您对vl_feat中如何表示这些功能的理解是最重要的。这些内容存储在da和db中。每列代表图像中特定补丁的描述符，它是128个条目的直方图，因此每个特征有128行。

现在，作为额外的好处，如果您想要显示一个图像中的每个特征与另一个图像的匹配方式，您可以执行以下操作：

%// Spawn a new figure and show the two images side by side
figure;
imagesc(cat(2, Ia, Ib));

%// Extract the (x,y) co-ordinates of each best matched feature
xa = fa(1,bestMatches(1,:));

%// CAUTION - Note that we offset the x co-ordinates of the
%// second image by the width of the first image, as the second
%// image is now beside the first image.
xb = fb(1,bestMatches(2,:)) + size(Ia,2);
ya = fa(2,bestMatches(1,:));
yb = fb(2,bestMatches(2,:));

%// Draw lines between each feature
hold on;
h = line([xa; xb], [ya; yb]);
set(h,'linewidth', 1, 'color', 'b');

%// Use VL_FEAT method to show the actual features
%// themselves on top of the lines
vl_plotframe(fa(:,bestMatches(1,:)));
fb2 = fb; %// Make a copy so we don't mutate the original
fb2(1,:) = fb2(1,:) + size(Ia,2); %// Remember to offset like we did before
vl_plotframe(fb2(:,bestMatches(2,:)));
axis image off; %// Take out the axes for better display

Dsift（vl_feat）和Matlab

1 个答案: