C++ OpenCV SIFT关键点提取isuue

我试图提取筛选关键点。对于我下载的示例图像（高度400px宽度247px水平和垂直分辨率300dpi），它工作正常。下图显示了提取的点

然后我尝试将相同的代码应用于我拍摄和编辑的图像（

高度443px宽度541px水平和垂直分辨率72dpi

）

为了创建上面的图像，我旋转了原始图像，然后移除了它的背景，并使用Photoshop调整了它的大小，但是我的代码，对于该图像，没有像第一幅图像那样提取特征

见结果：

它只提取很少的点。我期待第一个案例的结果。 对于第二种情况，当我使用原始图像而不进行任何编辑时，程序会给出第一种情况的分数。 下面是我使用的简单代码

#include<opencv\cv.h>
#include<opencv\highgui.h>
#include<opencv2\nonfree\nonfree.hpp>

using namespace cv;

int main(){

Mat src, descriptors,dest;
vector<KeyPoint> keypoints;

src = imread(". . .");


cvtColor(src, src, CV_BGR2GRAY);

SIFT sift;
sift(src, src, keypoints, descriptors, false);
drawKeypoints(src, keypoints, dest);
imshow("Sift", dest);
cvWaitKey(0);
return 0;
}

#包括
#包括
#包括
使用名称空间cv；
int main（）{
材料src、描述符、目的地；
矢量关键点；
src=imread（“…”）；
CVT颜色（src、src、CV_bgr2灰色）；
筛选；
筛选（src、src、关键点、描述符、假）；
图纸关键点（src、关键点、目的地）；
imshow（“筛选”，目的地）；
cvWaitKey（0）；
返回0；
}

我做错了什么？在调整大小后，我需要做什么才能得到第一种情况下的结果

---

谢谢大家!

在SIFT构造函数中尝试设置nfeatures参数（可能是其他也需要调整的参数）

以下是引用中的构造函数定义：

SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=10, double sigma=1.6)

您的代码将是：

#include<opencv\cv.h>
#include<opencv\highgui.h>
#include<opencv2\nonfree\nonfree.hpp>

using namespace cv;
using namespace std;
int main(){

Mat src, descriptors,dest;
vector<KeyPoint> keypoints;

src = imread("D:\\ImagesForTest\\leaf.jpg");


cvtColor(src, src, CV_BGR2GRAY);

SIFT sift(2000,3,0.004);
sift(src, src, keypoints, descriptors, false);
drawKeypoints(src, keypoints, dest);
imshow("Sift", dest);
cvWaitKey(0);
return 0;
}

#包括
#包括
#包括
使用名称空间cv；
使用名称空间std；
int main（）{
材料src、描述符、目的地；
矢量关键点；
src=imread（“D:\\ImagesForTest\\leaf.jpg”）；
CVT颜色（src、src、CV_bgr2灰色）；
筛分筛分（2000,3,0.004）；
筛选（src、src、关键点、描述符、假）；
图纸关键点（src、关键点、目的地）；
imshow（“筛选”，目的地）；
cvWaitKey（0）；
返回0；
}

结果是：

密集抽样示例：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include "opencv2/nonfree/nonfree.hpp"

int main(int argc, char* argv[])
{
    cv::initModule_nonfree();
    cv::namedWindow("result");
    cv::Mat bgr_img = cv::imread("D:\\ImagesForTest\\lena.jpg");
    if (bgr_img.empty()) 
    {
        exit(EXIT_FAILURE);
    }
    cv::Mat gray_img;
    cv::cvtColor(bgr_img, gray_img, cv::COLOR_BGR2GRAY);
    cv::normalize(gray_img, gray_img, 0, 255, cv::NORM_MINMAX);
    cv::DenseFeatureDetector detector(12.0f, 1, 0.1f, 10);
    std::vector<cv::KeyPoint> keypoints;
    detector.detect(gray_img, keypoints);
    std::vector<cv::KeyPoint>::iterator itk;
    for (itk = keypoints.begin(); itk != keypoints.end(); ++itk) 
    {
        std::cout << itk->pt << std::endl;
        cv::circle(bgr_img, itk->pt, itk->size, cv::Scalar(0,255,255), 1, CV_AA);
        cv::circle(bgr_img, itk->pt, 1, cv::Scalar(0,255,0), -1);
    }
    cv::Ptr<cv::DescriptorExtractor> descriptorExtractor = cv::DescriptorExtractor::create("SURF");
    cv::Mat descriptors;
    descriptorExtractor->compute( gray_img, keypoints, descriptors);
    // SIFT returns large negative values when it goes off the edge of the image.
    descriptors.setTo(0, descriptors<0);
    imshow("result",bgr_img);
    cv::waitKey();
    return 0;
}

#包括
#包括
#包括
#包括
#包括
#包括“opencv2/nonfree/nonfree.hpp”
int main（int argc，char*argv[]）
{
cv:：initModule_nonfree（）；
cv：：namedWindow（“结果”）；
cv:：Mat bgr_img=cv:：imread（“D:\\ImagesForTest\\lena.jpg”）；
if（bgr_img.empty（））
{
退出（退出失败）；
}
cv：：Mat gray_img；
cv:：CVT颜色（bgr\U img、灰色\U img、cv:：颜色\U bgr灰色）；
cv:：normalize（gray\u img，gray\u img，0，255，cv:：NORM\u MINMAX）；
cv：：密度特性探测器（12.0f、1、0.1f、10）；
向量关键点；
检测器。检测（灰度图像、关键点）；
std：：vector：：迭代器itk；
对于（itk=keypoints.begin（）；itk！=keypoints.end（）；+itk）
{
std:：cout pt pt，itk->size，cv:：Scalar（0255255），1，cv_AA）；
cv:：circle（bgr_img，itk->pt，1，cv:：Scalar（0255,0），-1）；
}
cv:：Ptr描述符牵引器=cv:：描述符牵引器：：创建（“SURF”）；
cv：：Mat描述符；
描述符->计算（灰色、关键点、描述符）；
//SIFT在离开图像边缘时返回较大的负值。
descriptors.setTo（0，descriptors在SIFT构造函数中尝试设置nfeatures参数（可能是其他也需要调整的参数）

以下是引用中的构造函数定义：

SIFT::SIFT(int nfeatures=0, int nOctaveLayers=3, double contrastThreshold=0.04, double edgeThreshold=10, double sigma=1.6)

您的代码将是：

#include<opencv\cv.h>
#include<opencv\highgui.h>
#include<opencv2\nonfree\nonfree.hpp>

using namespace cv;
using namespace std;
int main(){

Mat src, descriptors,dest;
vector<KeyPoint> keypoints;

src = imread("D:\\ImagesForTest\\leaf.jpg");


cvtColor(src, src, CV_BGR2GRAY);

SIFT sift(2000,3,0.004);
sift(src, src, keypoints, descriptors, false);
drawKeypoints(src, keypoints, dest);
imshow("Sift", dest);
cvWaitKey(0);
return 0;
}

#包括
#包括
#包括
使用名称空间cv；
使用名称空间std；
int main（）{
材料src、描述符、目的地；
矢量关键点；
src=imread（“D:\\ImagesForTest\\leaf.jpg”）；
CVT颜色（src、src、CV_bgr2灰色）；
筛分筛分（2000,3,0.004）；
筛选（src、src、关键点、描述符、假）；
图纸关键点（src、关键点、目的地）；
imshow（“筛选”，目的地）；
cvWaitKey（0）；
返回0；
}

结果是：


密集抽样示例：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include "opencv2/nonfree/nonfree.hpp"

int main(int argc, char* argv[])
{
    cv::initModule_nonfree();
    cv::namedWindow("result");
    cv::Mat bgr_img = cv::imread("D:\\ImagesForTest\\lena.jpg");
    if (bgr_img.empty()) 
    {
        exit(EXIT_FAILURE);
    }
    cv::Mat gray_img;
    cv::cvtColor(bgr_img, gray_img, cv::COLOR_BGR2GRAY);
    cv::normalize(gray_img, gray_img, 0, 255, cv::NORM_MINMAX);
    cv::DenseFeatureDetector detector(12.0f, 1, 0.1f, 10);
    std::vector<cv::KeyPoint> keypoints;
    detector.detect(gray_img, keypoints);
    std::vector<cv::KeyPoint>::iterator itk;
    for (itk = keypoints.begin(); itk != keypoints.end(); ++itk) 
    {
        std::cout << itk->pt << std::endl;
        cv::circle(bgr_img, itk->pt, itk->size, cv::Scalar(0,255,255), 1, CV_AA);
        cv::circle(bgr_img, itk->pt, 1, cv::Scalar(0,255,0), -1);
    }
    cv::Ptr<cv::DescriptorExtractor> descriptorExtractor = cv::DescriptorExtractor::create("SURF");
    cv::Mat descriptors;
    descriptorExtractor->compute( gray_img, keypoints, descriptors);
    // SIFT returns large negative values when it goes off the edge of the image.
    descriptors.setTo(0, descriptors<0);
    imshow("result",bgr_img);
    cv::waitKey();
    return 0;
}

#包括
#包括
#包括
#包括
#包括
#包括“opencv2/nonfree/nonfree.hpp”
int main（int argc，char*argv[]）
{
cv:：initModule_nonfree（）；
cv：：namedWindow（“结果”）；
cv:：Mat bgr_img=cv:：imread（“D:\\ImagesForTest\\lena.jpg”）；
if（bgr_img.empty（））
{
退出（退出失败）；
}
cv：：Mat gray_img；
cv:：CVT颜色（bgr\U img、灰色\U img、cv:：颜色\U bgr灰色）；
cv:：normalize（gray\u img，gray\u img，0，255，cv:：NORM\u MINMAX）；
cv：：密度特性探测器（12.0f、1、0.1f、10）；
向量关键点；
检测器。检测（灰度图像、关键点）；
std：：vector：：迭代器itk；
对于（itk=keypoints.begin（）；itk！=keypoints.end（）；+itk）
{
std:：cout pt pt，itk->size，cv:：Scalar（0255255），1，cv_AA）；
cv:：circle（bgr_img，itk->pt，1，cv:：Scalar（0255,0），-1）；
}
cv:：Ptr描述符牵引器=cv:：描述符牵引器：：创建（“SURF”）；
cv：：Mat描述符；
描述符->计算（灰色、关键点、描述符）；
//SIFT在离开图像边缘时返回较大的负值。
描述符。设置为（0，描述符我尝试使用这个，但结果与前一个相同。尝试降低对比度阈值。也可以尝试使用其他检测器，即FAST或Harris\Hessian，并留下SIFT进行描述。感谢您的支持，它现在可以正常工作。正如旧ufo所说，我使用快速角点检测算法测试图像，然后我可以提取更多关键点我想知道，使用快速算法给出的关键点可以准确地对对象进行分类吗？我想你可以，但我认为使用密集特征采样会更好。我已经在我的答案中添加了代码。这是关键点。中心是小绿圈。关键点大小（计算出特征内的面积）是大的黄色圆圈。特征重叠通常会给出更好的结果。关于冲浪大小，你可以在这里阅读：我尝试使用这个，但结果与前一个相同。尝试降低对比度阈值。你也可以尝试使用其他检测器，即FAST或Harris\Hessian，并留下SIFT进行描述。感谢你的支持，现在一切正常.正如老ufo所说，我用快速角点检测算法测试了图像，然后我可以提取比sift更多的关键点。我想知道使用关键点p