图像特征提取之DoG算子

 

DoG（Difference of Gaussian）算法主要用于角点的检测，在SIFT算法中，也要用到DoG算法。所以，DoG可以是一个基本的算法。受限于专业特点，知识结构，以及实际应用场合，本文并不会去详细的推导DoG算法的合理性，更多的偏重于算法的实现过程。本文也不会贴代码，因为算法的过程说明白了，按照算法的过程逻辑一步一步的编写代码是很容易的事情（并不要求去优化等等）。

 

关注公众号，获取更多信息

 

1、合理性

 

高斯滤波的作用就是把一些细节给过滤掉（低通），而角点又是一些比较显而易见的点，一般角点处的对比度都跟其周围的像素点有明显的区别。通过高斯滤波，使得图像变得平滑，但是角点处，由于其对比度明显，并不能很好的被平滑点，从而被保留下来。但是呢，数字图像在成像时，并能使得角点处只有一个像素，有可能是几个像素，而大多数的时候，我们只需要在这个很小的领域内的一个角点，那么找到领域的极值来代表角点，也就显得合理了。（既然在高斯平滑滤波时，这些点都保留了下来，那么说明都可以作为角点，但是，最具代表性的是谁呢？显然，极值点是可以的。）

 

 

 

2、实现过程

（1）读取原始图像img；

（2）对原始图像img在相同核大小，不同标准差下做高斯滤波，例如分别为sigma1，sigma2,sigma3,sigma4做高斯滤波得到图像G1，G2，G3，G4；

（3）对相邻的滤波后的图像做差值，得到差值图像D1=G2-G1，D2=G3-G2，D3=G4-G3

（4）对于中间的一副差值图像D2，遍历图中所有的点，对于每一点D2（i，j）做如下的操作

（4-1）在图D2中这个点D2（i，j）一定的领域内，例如3*3的范围内，以及D1和D3中这个点D2（i，j）对应的相同位置处的点D1（i，j）和 D3（i，j）的相同领域内，求点D2（i，j）是否为极值点（极大值或极小值），如果为极值点，则标记为角点。如下图所示。

（4-2）至于高斯核的选择，优点麻烦，选不好就把很多不是角点的点也搞成角点了。一般都是经验值。