我是否有任何检查点在对图像应用SIFT之前要经历什么，才能获得良好的效果？例如，模板图像是；
目标图像；
#1 楼
使用sift将模板与图像匹配时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筛选功能。即可。Sift（图像）中包含的Sift（模板）
您无法调整Sift来提取“所需的功能”。Sift *使用不变性度量来查找可以它认为是最突出的。 （* Chris A）
如果您希望它从模板中找到特定功能，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。
评论
$ \ begingroup $
+1，我同意。除了一件事。 SIFT找不到最不变的特征。它使用不变的度量来找到它认为最突出的特征。
$ \ endgroup $
–克里斯·A。
2012年5月21日下午16:26
#2 楼
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对象）。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中类似问题的解答的链接，您应该看一下。当Lowe首次引入if时，术语SIFT既适用于特征检测过程，也适用于根据那些检测到的兴趣点计算出的特征描述符。到目前为止，事实证明，SIFT描述符真是太棒了。描述符具有@Totero已经提到的一些很酷的属性。
另一方面，如今越来越被称为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，但是在特征检测过程中，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。
最新论文（在链接的stackoverflow问题中的链接处）有另一种不错的做法：它们结合了多种检测特征的方法，然后使用SIFT描述符（仍在晃动作为描述符）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。如果在特定的图像数据库上发现这种组合不令人满意，则可能要尝试并在其中扔出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，论文也很不错。我链接到了。
评论
$ \ begingroup $
只是一小段澄清：DoG代表高斯差（两个高斯滤波器响应之间的差）
$ \ endgroup $
– Libor
2012年5月26日20:44
#3 楼
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，而不是内置检测器。您可以选择局部补丁的大小和采样密度，以满足您对性能和计算成本的要求。
（2）SIFT是仿射不变描述符，用于宽基线立体声匹配。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，其中尽管进行了变换，但目标图像中仍必须存在“模板”。
建议：
（b）如果选择对任务采用CBIR方法，则可以使用BoW模型作为基线。
（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）稍后，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
评论
取决于图像的种类以及要使用这些功能的功能。请获取更多信息。