2

我在网络上遇到的每一个 SURF 实现似乎在从小图像（比如 100x100 或更小）中提取有用数量的兴趣点方面都特别糟糕。

我尝试了多种方法：

1）使用各种放大算法（从简单的最近邻算法到更高级的算法 - 基本上每个升级程序 imagemagick 都提供）在分析之前增加小图像的大小。

2) 其他图像处理调整以显示图像中的特征，例如对比度增强和在积分图像计算中使用不同的 RGB 权重。

3）（重新）压缩，假设压缩伪影将主要出现在现有特征周围，从而增加它们的相对“表面积”。

然而，这些都没有对从小图像中提取的兴趣点数量产生任何可测量的影响。

还有什么值得尝试的吗？或者 SURF 只是不擅长小图像，时期？如果是这样，还有哪些其他算法更适合这些算法？

4

1 回答 1

2

这取决于你想做什么。100x100 的图像不包含很多信息。此外，对于 100x100 的图像，SURF 生成有意义的描述符所需的描述符区域非常小。根据您要执行的操作，请尝试以下操作：

  1. 使用整个 100 个图像作为描述符大小。根本不检测兴趣点，而是在 100x100 图像的中心（50、50 处）放置一个兴趣点，并使用整个图像数据制作描述符。这可以帮助您检测那些小图像中的相似之处。使用直立 SURF 或与方向无关的 SURF。
  2. 使用双图像大小标志获得更多兴趣点。
  3. 通过使用更小的表面和更少的正方形来减小描述符的维度。这实际上对于对象识别非常有效，但对于 3D 重建效果不佳。

把它们加起来。这完全取决于您想要达到的目标。随时给我留言（也许在SURF 的 Github 存储库上）

于 2017-04-12T20:55:17.290 回答