问题标签 [feature-descriptor]

我正在阅读http://www.scholarpedia.org/article/SIFT，我需要一些帮助来定义这一部分：

SIFT 描述符也已从灰度级扩展到彩色图像，从 2-D 空间图像扩展到 2+1-D 时空视频。

什么是 2+1-D 时空视频？

我想生成SURF 描述符（长度为 64 的向量）。
在原始论文中，这里说：

该区域定期分成较小的 4*4 方形子区域。对于每个子区域，我们在 5*5 规则间隔的样本点处计算 Haar 小波响应。

在OpenCV的帮助下，我可以获得关键点及其相关区域（通过使用KeyPoint::sizeand angle），但我的问题是：
1. 如何计算 Haar 小波响应？
2. 什么是“在 5 x 5 规则间隔的采样点”是什么意思？

我已经阅读了有关 Harr 小波的wiki和介绍，但仍然不知道如何编写代码。
我知道如何使用 OpenCV SurfDescriptorExtractor，但我不能使用它，因为我需要放大或缩小原始区域并获取新的描述符。

感谢您提供有关如何生成 SURF 描述符的任何提示。

我正在研究一种应用于组织学图像的图像配准方法。

我有一个问题。我想使用 MSER 特征检测器来检测图像上的关键点。使用 opencv 提供的 MSER 函数检索 MSER 轮廓后，我计算每个轮廓的质心，以便将其用作有趣的点。

如果我直接对感兴趣的点进行描述，例如使用 Surf 描述符，描述符的大小是 1，无法比较它们。

因此需要将描述符的大小修改为合适的大小。

有人有想法吗？

谢谢

我必须为家庭作业编写自己的 FREAK 描述符实现。我实际上阅读了原始论文，但没有任何解释如何构建该模式。

在 OpenCV代码中定义了 buildPattern() 函数，但它也缺乏关于如何构建模式本身的文档。

所以我的问题是，有人知道模式是如何定义的以及如何选择参数（半径、西格玛和坐标）吗？

我正在使用 OpenCV 2.4.3 c++ 接口来查找两个图像之间的匹配点。第一次尝试是使用 SURF。唯一的问题是耗时，所以我尝试了新的 FREAK 提取器。使用 SURF 进行检测，使用 FREAK 进行描述，我意识到 FREAK 将关键点的数量减少到几乎检测到的一半，并且结果匹配还不够。这就是原因，我尝试 FAST 来获得更多的关键点。结果：

1. SURF 检测器，SURF 提取器，BFMatcher crosscheck true，RANSAC：第一个图像 70 个关键点，第二个图像 50 个关键点，200 毫秒。250 毫秒。15 毫秒。15 毫秒。
2. SURF 检测器，FREAK 提取器，BFMatcher 交叉检查为真，RANSAC：第一个图像 39 个关键点，第二个图像 30 个关键点（在 FREAK 之后），200 毫秒，50 毫秒。, 0 毫秒, 0 毫秒。结果是好的匹配太少了。
3. FAST 检测器、FREAK 提取器、BFMatcher crosscheck true、RANSAC：120 个关键点、90 个关键点（FREAK 之后的 69 和 48 个关键点）、10 毫秒、450 毫秒、15 毫秒、10 毫秒。

之后，我使用了 ORBFeatureDetector，它获得的关键点数量与 FAST 相同，但在 FREAK 提取器之后，每个图像的结果关键点为 0。难道我做错了什么？ORB 关键点与从 FAST 获得的关键点不同吗？也许我可以为此提出另一个问题，但我有最后一个问题。什么是检测器/提取器的最佳组合，以获得与我使用 SURF 的第一次实验相同的结果，但减少了处理时间？因为当我获得更多关键点时，提取器部分也更耗时，尽管我使用 FREAK。

我会打印特征关键点的描述符。我的方法在输入中接收关键点向量和该点的垫子描述符。有人知道一个简单的解决方案吗？谢谢

这是 SIFT 的非常简单的代码，我得到的是非常奇怪的描述符。它们正确吗？

描述符：[0., 7., 29., 39., 11., 0., 0., 0., 32., 30., 39., 52., 16., 0., 1., 12. , 38., 14., 10., 20., 28., 93., 45., 37., 93., 3., 6., 11., 23., 107., 24., 80., 0 ., 2., 47., 53., 0., 1., 9., 8., 104., 85., 35., 41., 1., 10., 32., 19., 130., 73., 0., 0., 8., 76., 31., 42., 61., 40., 10., 5., 83., 130., 28., 31., 3., 0. , 0., 0., 0., 2., 12., 17., 60., 4., 0., 0., 0., 31., 76., 83., 130., 38., 10 ., 6., 15., 10., 16., 89., 19., 21., 16., 23., 130., 94., 7., 3., 1.]

我对 SiftDescriptorExtractor 工作的最后一部分有疑问，

我正在执行以下操作：

现在我想检查一个 descriptors_object Mat 对象的元素：

输出看起来像：

但在Lowe 论文中指出：

因此，我们通过将单位特征向量中的值阈值化到每个不大于0.2，然后重新归一化到单位长度来减少大梯度幅度的影响。这意味着匹配大梯度的大小不再那么重要，并且方向的分布更加重要。使用包含相同 3D 对象的不同照明的图像通过实验确定 0.2 的值。

因此，特征向量中的数字不应大于 0.2 值。

问题是，这些值是如何在 Mat 对象中转换的？

以下代码使用 C++ 编写，我正在使用 OpenCV 进行实验。假设我以下列方式使用 kd-tree (FlannBasedMatcher)：

在上面的代码中，训练似乎是在调用 train() 函数时进行的（即构建了 kd-tree）。但是，如果我们查看 train() 函数的内部，这就是问题所在：

这两个操作（设置训练描述符和 flann 索引，我在调用 train() 之前已经完成）。那么kd-tree究竟是什么时候建立的呢？

我使用 OpenCV 编写了简单的模板匹配程序，它在 Android 和 OSx 上产生了令人惊讶的不同结果。

首先，看看我在做什么：

现在接下来看看我得到了什么：

在运行 Android 4.2.2 和 OSx 10.7(Lion) 的 Nexus i9250 上运行相同的代码段会得到以下结果：

• 垫对象：在两个操作系统上都相同
  
• 要点：[在 Android 上][2]、[在 OSx 上][3]、[差异][4]
  
• 描述符：[在 Android 上][5]、[在 OSx 上][6]、[DIFFERENCE][7]
  
• 匹配项：[在 Android 上][8]、[在 OSx 上][9]、[差异][10]
  

注意： 如果我对这些文件进行排序，则没有区别；所以我没有得到的是，为什么我得到不同的排序结果？让它们按顺序排列是我的要求，因为我需要进一步计算。此外，在同一平台上运行相同的代码片段总是会产生相同的有序结果。

Stackexchange 限制我的帐户在帖子中发布超过 2 个链接，因此请检查链接的评论。