亚像素数值极值检测算法总结

动机

在计算机视觉领域，经常需要检测极值位置，比如SIFT关键点检测、模板匹配获得最大响应位置、统计直方图峰值位置、边缘检测等等，有时只需要像素精度就可以，有时则需要亚像素精度。本文尝试总结几种常用的一维离散数据极值检测方法，几个算法主要来自论文《A Comparison of Algorithms for Subpixel Peak Detection》，加上自己的理解和推导。

问题定义

给定如下离散值，求其极值位置。可知125为观察极值。

$$[60,80,100,120,125,105,70,55]$$

如果这些离散值是从某个分布$f$中等间距采样获得，其真正的极值位置应位于120和125之间。

下面给出形式化的定义：给定一组离散值，令$x$为观测到的极值点位置，其值为$f(x)$，其左右相邻位置的值为$f(x-1)$和$f(x+1)$，真正的极值点位置为$x+\delta$，令$\hat{\delta }$为$\delta$的估计值。

算法

假设**$x$的邻域**可通过某个模型进行近似，如高斯近似、抛物线近似，则可以利用$x$的邻域信息根据模型估计出极值。使用的模型不同就有不同的算法，具体如下。

高斯近似

一维高斯函数如下：

$$y=y_{max}\cdot exp(-\frac{(x-\mu {)}^2}{2{\sigma }^2})$$
当$y_{max}=\frac{1}{\sqrt{2\sigma }\pi }$时为标准高斯函数，形如

假设$x$的邻域可用高斯近似，用$(x,f(x))$、$(x-1,f(x-1))$、$(x+1,f(x+1))$三点对高斯函数进行拟合，获得模型参数$\mu$即为峰值位置，$\hat{\delta }=\mu -x$。将三点带入上面的高斯函数两边同时取对数求得：

$$\hat{\delta }=\frac{1}{2}\frac{\ln (f(x-1))-\ln (f(x+1))}{\ln (f(x-1))-2\ln (f(x))+\ln (f(x+1))}$$

下面可以看到，高斯近似相当于取对数后的抛物线近似。

抛物线近似

使用抛物线近似$x$的局部，可以将$(x,f(x))$、 ( x −