如何使用SIFT从数据集中提取相同大小的特征向量？

Question

我开始学习机器学习和计算机视觉，但此刻我有些怀疑。

我有一个包含1000张不同大小图像的数据集，我想使用SIFT和OpenCV创建特征矩阵（我正在使用python）。 问题是我注意到SIFT为每个图像提取了不同数量的关键点，因此我获得了不同大小的特征向量（我编写了此简单代码来理解它）

sift = cv2.xfeatures2d.SIFT_create()    
for file in listing:
        img = cv2.imread(iDir+file)
        gray= cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        kp = sift.detect(gray, None)
        kp2, des = sift.compute(gray,kp)
        print(len(kp2))

现在我的问题是：用SIFT提取后，我是否必须对特征数量进行规范化（如何选择最佳特征数量？）还是必须使用特定参数？ 谢谢你的帮助。

Answer 1

每个图像的关键点（或SIFT点）数将改变。 SIFT的想法是在许多条件下找到可识别的关键点。 实际上，尽管缩放，旋转和照明有所不同，这些关键点仍应可识别。 自然，某些图像将具有更少或更多的这些关键点。

可以将其视为其他任何功能。 假设您的功能是红色圆圈。 有些图像会有很多，而有些则很少或根本没有。 这并不意味着有任何问题。 只是意味着图像具有不同的属性。

当您希望找到图像之间的相似性时，可以对关键点描述符进行成对比较。 描述符是分配给每个关键点的128x1向量。 如果两个关键点具有匹配的描述符（具有一定的容忍度），则称它们匹配。

如果我们回到我们的红色圆圈功能示例。 我们对圆的描述可以是其半径。 如果要比较两个图像，则必须查看描述符，而不是找到的特征数量（半径）。 如果图像A有2个圆圈，图像B有3个圆圈，我们将它们成对比较以找到匹配项。

A1半径1； B1半径3，不一样

A1半径1； B2半径2，不一样

A1半径1； B3半径1.5，可能相同

A2半径2; B1半径3，不一样

A2半径2; B2半径2，相同

A2半径2; B3半径1.5，可能相同

如您所见，功能数量不同是可以的，重要的是描述符是相同的（对于SIFT，这是事实）

您不必更改关键点的数量，除非可能会减少存储量并减少搜索时间。 如果要减少每个图像的关键点数量，可以设置一个阈值作为阈值_size of _size open cv可以访问每个关键点的大小和角度，您只能保留“大”关键点，从而减少每个关键点的总数图片