与SIFT匹配（概念）

Question

我有两张现实世界的照片。 （重要）我大致知道一个现实世界到另一个世界的转变。由于纹理问题，我在两个图像之间没有得到足够的匹配。如何通过使用SIFt将转换信息考虑在内以获得更多正确的匹配。 任何想法都会有所帮助。

Answer 1

你尝试过其他选择吗？你确定SIFT是答案吗？首先，OpenCV提供SIFT等工具。 （目前，我对OpenCV的评价不够高。）

如果我解决了这个问题，我会先尝试：

1. 缩小您的两张图片以减少“纹理”的影响，即cvPyrDown。
2. 执行一些特征检测：边缘检测等.OpenCV提供Harris角点检测器等。谷歌“cvGoodFeaturesToTrack”了解一些细节。
3. 如果您对转换充满信心，请利用先验信息，并在与转换后的位置相对应的社区中查找要素。

如果您仍想查看SIFT或SURF，OpenCV也会提供这些功能。

Answer 2

如果您知道变换，则应用变换，然后将SURF / SIFT应用于变换后的图像。这是在大视角变化中扩展特征描述符/匹配器的稳健性的一种标准方法。

Answer 3

还有另一种选择：

在筛选参数中，对比度阈值设置为0.04。如果你减少并将其设置为较低值（0.02,0.01），SIFT会找到更多匹配的内容：

SIFT（int nfeatures = 0，int nOctaveLayers = 3，double contrastThreshold = 0.04 ，double edgeThreshold = 10，double sigma = 1.6）

Answer 4

我认为第一步是尝试使用SIFT算法的设置来找到与您的问题相关的最佳效率。

更有效地使用SIFT的另一种方法是将颜色信息添加到SIFT。因此，您可以将描述符中使用的点的颜色信息（RGB）添加到其中。例如，如果您的描述符大小为10x128，则表明您在每个描述符中使用了10个点。现在，您可以提取并添加三列，并使每个点的大小为10x（128 + 3）[R-G-B]。通过这种方式，SIFT算法将更有效。但请记住，您需要对描述符应用权重，并使最后三列比其他128列更强。实际上我不知道你的情况是怎样的。但这种方法对我帮助很大。你可以看到这种修改使SIFT成为比以前更强大的方法。 可以找到类似的实现here。