在提取SIFT特征之前转换图像

Question

在计算SIFT功能之前转换图像有什么好处吗？例如，我正在尝试匹配＆＃34;目标＆＃34;香蕉的形象：

...到＃34;场景＆＃34;图像也包含一个香蕉，但在一些未知的方向和视角。

第一种方法：从目标图像中提取SIFT特征，将它们与场景图像中的SIFT特征相匹配并计算单应性。

第二种方法：以各种方式转换目标图像以模拟透视变化：

...在从每个变换中提取SIFT特征之前。合并提取的特征，然后将它们与场景匹配并计算单应性。

在功能匹配的保真度方面，接近2是否有任何优势？

Answer 1

我猜不是。但是直到你尝试才会知道。 SIFT在可靠性方面同样出色。如果它有任何好处，我猜有人会把它作为改进的算法实现。

我想这也取决于算法检测到的大blob。我对SURF更熟悉，但我知道SIFT的工作方式与此类似。两种算法都检测不同规模的斑点。当透视改变时，我猜想更大的斑点将无法匹配，但较小的斑点将继续有效。

此外，如果您变换图像然后提取特征，如果变换不够显着，如果它与原始特征太相似，匹配算法将丢弃原始特征和变换特征。因为匹配的工作原理是排除所有匹配，但比下一次匹配的可能性高X倍。

Answer 2

肯定会有所帮助。 两篇改进SIFT的论文基于这一原则。 首先 - ASIFT - 模拟一个非常大的数字，然后匹配图像n x n方式。比SIFT和MUCH更加强大。

第二 - MODS - 迭代地进行综合（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，香蕉的例子在MODS论文中：

在这两个链接中，您可以找到纸质和源代码（C ++）。

Answer 3

当你有纹理对象时，SIFT很好......香蕉主要是一种颜色的形状。

在这种情况下，关键点提取（筛选等）将失败。无论如何