差分高斯函数与拉普拉斯函数的近似关系

函数

差分高斯函数为
$$D(x,y,\sigma )=(G(x,y,k\sigma )-G(x,y,\sigma ))\ast I(x,y)$$
拉普拉斯函数为
$${\sigma }^2{\nabla }^{2}G$$

近似关系推导

从热传播方程
$$\frac{\partial G}{\partial \sigma }=\sigma {\nabla }^{2}G$$
可知，可以用$\partial G/\partial \sigma$的有限差分近似$\sigma {\nabla }^{2}G$
$$\sigma {\nabla }^{2}G=\frac{\partial G}{\partial \sigma }\approx \frac{G(x,y,k\sigma )-G(x,y,\sigma )}{k\sigma -\sigma }$$
从而有
$$G(x,y,k\sigma )-G(x,y,\sigma )\approx (k-1){\sigma }^2{\nabla }^{2}G$$
上式说明doG函数在尺度上有一个常数因子不同的时候（即$G(x,y,k\sigma )$和$G(x,y,\sigma )$两者的尺度一个为$\sigma$,一个为$k\sigma$，两者关系为一个是另一个的常数$k$倍），通过相减，就可以近似为包含了${\sigma }^2$尺度正规化所需要的尺度不变拉普拉斯函数${\sigma }^2{\nabla }^{2}G$。
除此以外，上式中还有一个$(k-1)$因子。因为只要相减的两个高斯函数的模糊度关系为一个是另一个的常数$k$倍，那么所有的近似都会有这个$(k-1)$因子（比如$G(x,y,k^2\sigma )-G(x,y,k\sigma )\approx (k-1)k^2{\sigma }^2{\nabla }^{2}G$），从而不会影响极值点位置。（这里还有一点理解问题？）
虽然说当$k\to 1$时，近似误差趋近于零，意味着两个高斯函数的尺度相差越小，这个近似的误差就越小。但在实验中发现，尺度差异很明显的情况下（$k=\sqrt{2}$），这个近似几乎对极值点检测或者定位稳定性没有影响。

参考资料：David G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110.