高斯金字塔

高斯金字塔的形成过程：

对某一灰度图像，首先进行升采样（即扩大两倍采样），然后对升采样之后的图片进行高斯模糊，从而生成一组采样图。（注：升采样不是必须的）

对原灰度图像进行降采样，然后高斯模糊，得到第二组采样图，每一组都有六层尺寸相同但模糊系数不同的采样图像得到。为了保持差分高斯金字塔的尺度空间（即模糊系数）的连续性，下一组（第i组）的第一层由上一组的第四层降采样之后得到，同时第i组的后面几层都是由该组第一层经过高斯模糊得到，不需要进行降采样。这样，几组采样图组合在一起，就构成了高斯金字塔。如下图所示：

 

组数是由原始图片的行数和列数决定的：，o表示高斯金字塔的组数，m和n分别表示图像的行和列。α为塔顶图像的最小维数的对数值。例如，对于大小为512*512的图像来说，金字塔上各层图像的大小如下表所示。当塔顶图像为4*4时，α=2，o=7;当塔顶图像大小为2*2时，α=1，o=8。

塔顶图像大小	512	256	128	64	32	16	8	4	2	1
金字塔层数o	0	1	2	3	4	5	6	7	8	9

 

 

差分高斯金字塔的建立（结论性知识）：

2002年Mikolajczyk在详细的实验比较中发现尺度归一化的高斯拉普拉斯函数的极大值和极小值同其他的特征提取函数（例如：梯度，Hessian或者Harris角特征）比较，能够产生最稳定的图像特征。

Lindeberg在1994年发现高斯差分函数（Difference of Gaussian，简称DOG算子）与尺度归一化的高斯拉普拉斯函数非常近似。

其中，D（x,y,σ）和的关系可以从如下推导中得出：

利用差分近似代替微分，则有：

因此有：

，其中k-1为常数，并不影响极值点的求取。

高斯拉普拉斯与高斯差分的比较如下图：

Lowe使用更高效的高斯差分算子代替拉普拉斯算子进行极值检测，如下：

其中，图像的尺度空间定义为变化尺度的高斯函数与原图像的卷积：

 

在实际计算中，每一组采样图中的每两层图像之间相减（下一层减上一层），就构成了差分高斯金字塔。

下图为构建DOG金字塔的示意图，原图采用128*128的图像，扩大一倍后构建金字塔。

 

 

尺度空间：

在高斯金字塔中，有两个参数很重要，一个是第几组o，一个是某一组中的第几层s，这两个量合起来（o，s）就构成了高斯金字塔的尺度空间。变量o控制的是金字塔中尺寸这个尺度，s用来区分同一个尺寸尺度下的图像，s确定了一个组中不同的模糊成度。这样，（o，s）就可以确定高斯金字塔中的唯一一副图像。

根据lowe论文中指出，（o，s）作用于一幅图像是通过下列公式实现的：

，其中，为高斯模糊初始值，Lowe建议取为1.6。S为每组的层数，即S=3。

 下图形象的说明了什么是尺度空间：

 

 

尺度空间的连续性：

为什么高斯金字塔的每层有S+3幅图像？

假设我们在每一组图像中求S层点，那么为了获得S层点，在差分高斯金字塔中需要有S+2层图像，那么在高斯金字塔中就必须有S+3层图像了（差分高斯金字塔由高斯金字塔相减得到）。

那么，为什么要假设求S层点呢，答案是为了保持尺度的连续性！下面详细分析：

令，Lowe取S=3，所以K=2^1/3。

假设当前所在组为第0组，则当前组中各高斯图像的尺度依次为：

当前组中各差分高斯图像的尺度依次为：

（因为每个相邻的高斯图像相减之后，得到的仍然是轮廓更加清晰地图片，分辨率也是前一层高斯模糊之后的分辨率，也就是比较高的那个）

我们可以推测出，下一组高斯图像的尺度依次为：

（因为下一组的第一层是上一组的第四层下采样之后得到的）

下一组中各差分高斯图像的尺度依次为：

 其中红色标注数据所代表的层，是差分高斯金字塔中获得极值点的层，也就是说只有在这些层上才发生与上下两层比较获得极值点的操作。

下面将这些红色数据连成串：2^(1/3)σ， 2^(2/3)σ， 2^(3/3)σ，2×2^(1/3)σ，2×2^(2/3)σ，2×2^(3/3)σ......这些数据是连续的！

我们通过在每个八度中多构造三幅高斯图像，达到了尺度空间连续的效果，这一效果带来的直接的好处是在尺度空间的极值点确定过程中，我们不会漏掉任何一个尺度上的极值点，而是能够综合考虑量化的尺度因子所确定的每一个尺度！

 

转载于:https://www.cnblogs.com/Night-Fury/p/10539996.html