寻找真的拉普拉斯高斯算子LOG（证明lindeberg的LOG和DOG，一）

最新推荐文章于 2023-03-08 10:00:41 发布

工业机器视觉设计和实现

最新推荐文章于 2023-03-08 10:00:41 发布

阅读量332

点赞数 1

分类专栏：人工智能浅尝 sift相关

本文链接：https://blog.csdn.net/ganggangwawa/article/details/108899421

版权

人工智能浅尝同时被 2 个专栏收录

75 篇文章 7 订阅

订阅专栏

sift相关

12 篇文章 0 订阅

订阅专栏

教材上说二维高斯平滑函数如下：

h（x，y）=-exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）

令 $x^{2}$ + $y^{2}$ = $r^{2}$ ，则h（r）=-exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

上式对r求导数，=（-0.5/ $sigma^{2}$ ）*-exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）* ${(r^{2})}'$

=r/ $sigma^{2}$ *exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

那么r的二阶导数=1/ $sigma^{2}$ *【 {r}' *exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）+r*exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）*（-0.5/ $sigma^{2}$ ）* ${(r^{2})}'$ 】

=1/ $sigma^{2}$ *【1- $r^{2}$ / $sigma^{2}$ 】exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

=-（ $r^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ ）*exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

教材上说，用最后这个公式来求拉普拉斯的值，如图a

我又求了h（r）=exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）去掉负号的r的二阶导数如图b

=（ $r^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ ）*exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）(答案少了一个负号）

最后我发现这不是LOG，因为用过拉普拉斯的人都知道：

lapulas= $\frac{\partial^2 F}{\partial x^2}$ + $\frac{\partial^2 F}{\partial y^2}$ =DOG

好，我们先求 $\frac{\partial^2 F}{\partial x^2}$ ，分两步，

第一，求一阶导数，=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）* ${(x^{2}+y^{2})}'$ *(-0.5)/ $sigma^{2}$

=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）*2*x*(-0.5)/ $sigma^{2}$

=-exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）*x/ $sigma^{2}$

第二，在上式基础上，求x二阶导数

=-1/ $sigma^{2}$ *【exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）* {x}' +exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）*（-0.5/ $sigma^{2}$ ）* ${(x^{2}+y^{2})}'$ *x】

=-1/ $sigma^{2}$ *exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）【1- $x^{2}$ / $sigma^{2}$ 】

=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）（ $x^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ ）

同理， $\frac{\partial^2 F}{\partial y^2}$ =-1/ $sigma^{2}$ *exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）【1- $y^{2}$ / $sigma^{2}$ 】

=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）（ $y^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ ）

所以lapulas= $\frac{\partial^2 F}{\partial x^2}$ + $\frac{\partial^2 F}{\partial y^2}$

=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）*【 $x^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ + $y^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ 】

=exp（-0.5*（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ ）*【（ $x^{2}$ + $y^{2}$ ）/ $sigma^{2}$ *1/ $sigma^{2}$ -2/ $sigma^{2}$ 】

好，令 $x^{2}$ + $y^{2}$ = $r^{2}$ ，则

=（ $r^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -2/ $sigma^{2}$ ）*exp（-0.5* $r^{2}$ / $sigma^{2}$ ）【这才是真正的LOG函数】

这是最终答案，对比上面的-LOG，图b

（ $r^{2}$ / $sigma^{2}$ *1/ $sigma^{2}$ -1/ $sigma^{2}$ ）*exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

看到没有，系数不同，也就是说，少了一个-1/ $sigma^{2}$ *exp（-0.5*（ $r^{2}$ ）/ $sigma^{2}$ ）

这个是粗略估计，有兴趣的可以编程测试一下，立马见分晓！还是计算机好啊！我们前面有求高斯模板的程序，改动一下，就ok了！

另外，他们说LOG和DOG（差分高斯函数）关系，一直不知怎么验证，可以用计算机强大的计算力啊！不是吗？（骑驴找驴，这个驴真好用！）

即 $sigma^{2}$ *DOG*（k-1）=G（x，y，k*sigma）-G（x，y，sigma）

AI(哎，我哩个去）！支持向量机都程序化了，SIFT还没程序化，可见SIFT算法的复杂度，人们都说他很牛X！的确很牛叉，复杂度很高，显然效率很低，理论横扫千军，应用自己斟酌！（AI(哎哎，我哩个去）！我到底要不要程序化实现它？艰难的选择！试试看吧！）

工业机器视觉设计和实现

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
寻找真的拉普拉斯高斯算子LOG（证明lindeberg的LOG和DOG，一）

教材上说二维高斯平滑函数如下：h（x，y）=-exp（-0.5*（+）/）令+=，则h（r）=-exp（-0.5*（）/）上式对r求导数，=（-0.5/）*-exp（-0.5*（）/）*=r/*exp（-0.5*（）/）那么r的二阶导数=1/*【*exp（-0.5*（）/）+r*exp（-0.5*（）/）*（-0.5/）*】=1/*【1-/】exp（-0.5*（）/）=-（/*1/-1/）*exp（-0.5*（）/）教材上说，用最后这个公式来求拉普拉斯的值，如图a..
复制链接

扫一扫

专栏目录