我在网上遇到的每一个SURF实现似乎都特别不善于从小图像中提取有用数量的兴趣点（比如100x100或更少）。
我尝试了很多方法：
1） 在分析之前，使用各种放大算法（从简单的像近邻的算法到更高级的算法——基本上是每个放大的imagemagik提供的算法）来增加小图像的大小。
2） 其他图像处理调整以显示图像中的特征，如对比度增强和在积分图像的计算中使用不同的RGB权重。
3） （再）压缩，假设压缩伪影将主要出现在现有特征周围，增加其相对"表面积"
然而，这些都没有对从小图像中提取的兴趣点的数量产生任何可测量的影响。
还有什么值得一试的吗？还是SURF只是不擅长小图像？如果是这样，还有哪些算法更适合这些算法？
这取决于你想做什么。100x100的图像不包含很多信息。此外，SURF制作有意义的描述符所需的描述符区域对于100x100图像来说非常小。根据你想做的事情，尝试以下操作：
- 使用整个100图像作为描述符大小。根本不检测兴趣点，而是将单个兴趣点放在100x100图像的中心（50，50），并使用整个图像数据制作描述符。这可以帮助您检测类似的小图像。使用垂直SURF或独立于方向的SURF
- 使用双倍图像大小标志可以获得更多兴趣点
- 通过使用较小的曲面和较少的正方形来减小描述符的尺寸。这实际上在物体识别方面效果很好，但在3D重建方面效果不太好
综上所述。这完全取决于你想要实现什么。请随时给我留言（可能在SURF的Github repo上）