函数
差分高斯函数为
D
(
x
,
y
,
σ
)
=
(
G
(
x
,
y
,
k
σ
)
−
G
(
x
,
y
,
σ
)
)
∗
I
(
x
,
y
)
D(x,y,\sigma)=(G(x,y,k\sigma)-G(x,y,\sigma))*I(x,y)
D(x,y,σ)=(G(x,y,kσ)−G(x,y,σ))∗I(x,y)
拉普拉斯函数为
σ
2
∇
2
G
σ^2 ∇^2 G
σ2∇2G
近似关系推导
从热传播方程
∂
G
∂
σ
=
σ
∇
2
G
\frac{∂G}{∂σ}=σ∇^2 G
∂σ∂G=σ∇2G
可知,可以用
∂
G
/
∂
σ
∂G/∂σ
∂G/∂σ的有限差分近似
σ
∇
2
G
σ∇^2 G
σ∇2G
σ
∇
2
G
=
∂
G
∂
σ
≈
G
(
x
,
y
,
k
σ
)
−
G
(
x
,
y
,
σ
)
k
σ
−
σ
σ∇^2 G=\frac{∂G}{∂σ}≈\frac{G(x,y,kσ)-G(x,y,σ)}{kσ-σ}
σ∇2G=∂σ∂G≈kσ−σG(x,y,kσ)−G(x,y,σ)
从而有
G
(
x
,
y
,
k
σ
)
−
G
(
x
,
y
,
σ
)
≈
(
k
−
1
)
σ
2
∇
2
G
G(x,y,kσ)-G(x,y,σ)≈(k-1) σ^2 ∇^2 G
G(x,y,kσ)−G(x,y,σ)≈(k−1)σ2∇2G
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
σ
)
G(x,y,kσ)
G(x,y,kσ)和
G
(
x
,
y
,
σ
)
G(x,y,σ)
G(x,y,σ)两者的尺度一个为
σ
\sigma
σ,一个为
k
σ
k\sigma
kσ,两者关系为一个是另一个的常数
k
k
k倍),通过相减,就可以近似为包含了
σ
2
σ^2
σ2尺度正规化所需要的尺度不变拉普拉斯函数
σ
2
∇
2
G
σ^2 ∇^2 G
σ2∇2G。
除此以外,上式中还有一个
(
k
−
1
)
(k-1)
(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
k
k倍,那么所有的近似都会有这个
(
k
−
1
)
(k-1)
(k−1)因子(比如
G
(
x
,
y
,
k
2
σ
)
−
G
(
x
,
y
,
k
σ
)
≈
(
k
−
1
)
k
2
σ
2
∇
2
G
G(x,y,k^2σ)-G(x,y,kσ)≈(k-1)k^2 σ^2 ∇^2 G
G(x,y,k2σ)−G(x,y,kσ)≈(k−1)k2σ2∇2G),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
→
1
k\rightarrow1
k→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
=
2
k=\sqrt{2}
k=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.