筛选是从图像中提取特征的好方法吗？

我正在尝试从图像中提取特征，但是我无法获取要提取的点，因此我的图像无法与模板匹配。

在将SIFT应用于图像之前，是否需要检查任何检查点，以便获得良好的效果？例如，模板图像是；

目标图像；

使用sift将模板与图像匹配时，您应该做的是对模板运行sift，然后在场景中查找该排列中的那些sift功能。

经验法则：比较喜欢。

Sift（图片）中包含的Sift（模板）

您无法调整Sift来提取“所需的功能”。Sift *使用不变的度量来找到它认为最突出的功能。（*克里斯·A）

如果希望它从模板中查找特定功能，请为这些功能创建较小的模板并进行搜索。

只是一个建议。我不知道您要尝试哪种类型的模板以适合哪种类型的场景或图像。

我不确定您是否只想匹配两个图像（例如找到公共点），还是要尝试类似CBIR（基于内容的图像检索-用模板图像搜索数据库）以查找包含以下内容的所有图像：宾语）。

我目前正在进行CBIR研究，所以我对当前的方法非常了解。这里和这里是我对stackoverflow中类似问题的回答的链接，您应该看一下。

现在，来谈谈SIFT。当Lowe 首次引入 if时，术语SIFT既适用于特征检测过程，也适用于在那些检测到的兴趣点上计算出的特征描述符。到目前为止，事实证明，SIFT 描述符非常棒。描述符具有@Totero已经提到的一些很酷的属性。

另一方面，如今被越来越多地称为DoG（高斯差分）的SIFT 检测方法已不再是最新技术。它仍然被广泛使用，但是对于特征检测过程，如今有更多的方法，其中一些方法更好或很好地补充了DoG过程提取的不变关键点的类型。

最新的论文（查看链接的stackoverflow问题中的链接）有一个更好的实践：它们结合了多种检测特征的方法，然后使用SIFT描述符（仍会作为描述符）来计算不变矢量表示。我目前正在结合使用DoG（它们专注于图像的角状部分）和MSER区域（它们专注于通过多个尺度的斑点状可分辨点）的组合。如果您发现特定图像数据库的组合不令人满意，则可能需要尝试并在其中添加更多类型的特征检测器。

另外，如果您有兴趣，这里有一篇论文可以评估不同检测和描述符组合的性能。由于DoG＆MSER + SIFT对我来说效果很好，所以我没有看过它，但是我已经略读了一下，而且论文相当不错。

PS：如果您无法访问我链接的IEEEXplore数据库，请使用Google Scholar。

基于先前的响应：

（1）您可以将SIFT（或此本地补丁描述符的另一个改进版本）与密集采样一起使用，而不是使用内置检测器。您可以选择本地补丁的大小和采样密度，以适合您对性能和计算成本的要求。

（2）SIFT是用于宽基线立体匹配的仿射不变描述符。这意味着，当您拍摄图像并对其进行仿射变换时，SIFT效果很好，其中即使进行了变换，“模板”也必须存在于目标图像中。

建议：（a）创建模板图像数据库（如果可能），以提高检测图像的机会。

（b）如果您选择对任务采用CBIR方法，则可以使用BoW模型作为基准。

（c）将模板图像仅裁剪到相关部分，并使用高度密集的SIFT。 http://www.vlfeat.org/overview/dsift.html

（4）之后，您可能需要尝试使用诸如PHOG（梯度金字塔直方图）之类的多尺度描述符，这可能会改善结果。 http://www.vlfeat.org/overview/dsift.html#tut.dsift.phow