在提取 SIFT 特征之前转换图像
Transforming an image before extracting SIFT features
在计算 SIFT 特征之前转换图像有什么好处吗？例如，我正在尝试匹配香蕉的 "target" 图像：
...到 "scene" 图像，其中也包含香蕉，但方向和视角未知。
第一种方法：从目标图像中提取SIFT特征，与场景图像中的SIFT特征匹配，计算单应性。
第二种方法：对目标图像进行各种变换，模拟视角的变化：
...在从每个变换中提取 SIFT 特征之前。组合提取的特征，然后将它们与场景匹配并计算单应性。
就特征匹配的保真度而言，方法 2 有什么优势吗？
我猜不会。但你永远不会知道，直到你尝试。 SIFT 在可靠性方面表现出色。如果它有任何好处，我想有人已经将其作为改进算法实施了。
我想这也取决于算法检测到的斑点有多大。我更熟悉 SURF，但我知道 SIFT 的工作原理类似。两种算法都检测不同规模的斑点。当视角改变时，我猜较大的斑点将无法匹配，但较小的斑点将继续有效。
此外，如果您转换图像然后提取特征，如果转换不够重要，如果它与原始特征太相似，则匹配算法将丢弃原始特征和转换后的特征。因为匹配的工作原理是排除所有匹配，但排除比下一个最佳匹配高 X 倍的匹配。
当你有一个有纹理的对象时，SIFT 是很好的...香蕉主要是一个单一颜色的形状。
在这种情况下，关键点提取（筛选等）将失败。不管怎样
一定会有帮助。
有两篇对 SIFT 有很大改进的论文就是基于这个原理。
首先 - ASIFT - 模拟一个非常大的数字，然后以 n x n 方式匹配图像。比 SIFT 更强大，但速度更慢。
其次 - MODS - 迭代合成（仅在需要时）并使用 Hessian-Affine 和 MSER 作为检测器，这提高了 ASIFT 的稳健性和速度。实际上，香蕉示例在MODS论文中：
在这两个链接中，您都可以找到论文和源代码 (C++)。
在计算 SIFT 特征之前转换图像有什么好处吗？例如，我正在尝试匹配香蕉的 "target" 图像：
...到 "scene" 图像，其中也包含香蕉，但方向和视角未知。
第一种方法：从目标图像中提取SIFT特征，与场景图像中的SIFT特征匹配，计算单应性。
第二种方法：对目标图像进行各种变换，模拟视角的变化：
...在从每个变换中提取 SIFT 特征之前。组合提取的特征，然后将它们与场景匹配并计算单应性。
就特征匹配的保真度而言，方法 2 有什么优势吗？
我猜不会。但你永远不会知道，直到你尝试。 SIFT 在可靠性方面表现出色。如果它有任何好处，我想有人已经将其作为改进算法实施了。
我想这也取决于算法检测到的斑点有多大。我更熟悉 SURF，但我知道 SIFT 的工作原理类似。两种算法都检测不同规模的斑点。当视角改变时，我猜较大的斑点将无法匹配，但较小的斑点将继续有效。
此外，如果您转换图像然后提取特征，如果转换不够重要，如果它与原始特征太相似，则匹配算法将丢弃原始特征和转换后的特征。因为匹配的工作原理是排除所有匹配，但排除比下一个最佳匹配高 X 倍的匹配。
当你有一个有纹理的对象时，SIFT 是很好的...香蕉主要是一个单一颜色的形状。
在这种情况下，关键点提取（筛选等）将失败。不管怎样
一定会有帮助。 有两篇对 SIFT 有很大改进的论文就是基于这个原理。 首先 - ASIFT - 模拟一个非常大的数字，然后以 n x n 方式匹配图像。比 SIFT 更强大，但速度更慢。
其次 - MODS - 迭代合成（仅在需要时）并使用 Hessian-Affine 和 MSER 作为检测器，这提高了 ASIFT 的稳健性和速度。实际上，香蕉示例在MODS论文中：
在这两个链接中，您都可以找到论文和源代码 (C++)。