高斯金字塔的秘密，尺度空间证明的思考

在构建图像尺度空间的过程中，唯一使用的核函数是高斯核，这一点被T Lindeber在文献《Scale-space theory: a basic tool for analyzing structures at different scales》中证明，高斯核是唯一可以产生多尺度空间的核。
相信大家在使用高斯金字塔的过程中，应该都反复看过上面的话，这句话如何证明的呢？

今天找了论文，发现英文和数学太薄弱，看不懂（也没人翻译成中文，唉！）：

我就不列举了，想看的，我把网址贴出来： 

https://www.researchgate.net/publication/2255734_Scale-Space_Theory_A_Basic_Tool_for_Analysing_Structures_at_Different_Scales

 但我不知道，为什么脑壳开了窍，突然有了证明的思路，或许和近期一些思考相关吧：

我们前面的博客也猜测过，高斯应该也是受到这个公式的启发，搞定了正态分布。

那么我们证明高斯核是产生尺度的唯一核呢？你有怎样的思路？

你看看，改变了尺度，还能保持图像特征不变，什么东西有这样的魅力，就是上面这个微分方程的解，这个解和高斯函数脱不了关系，高斯函数和e^x脱不了关系，e^x的一阶二阶三阶导数都和自己相关，这个e^x是函数的特征，是不是也是保证了图像的特征不变。

其实，我认为，也可以从sinx+cosx的组合下手，因为它和e^x脱不了关系。

20230701补充：

1，一幅图像连续两次高斯是什么意思？我们做个对比：位移针对时间t的两次作用是什么意思？加速度，加速度是什么意思，就是位移针对时间t的二次导数。

2，一副图像连续高斯后的图像，每相邻的两幅之间的差值是什么意思？消失或失去的是什么？这个很重要

3，是不是细节剔除，保留了大特征？（即低频部分保留，而高频消失了）

4，这是不是人眼由近及远看时的规律？

5，为什么要求导？求导才能看到特征，那么看的是细特征，还是粗略特征？

6，我们怎样求导，才能看图像的粗略特征？

7，我们能不能先猜测一个结果试试？

还是计算机好，我们可以把高斯函数反复求导的图像画出来，或许灵感就隐藏在这里头，

真不敢想象，那个计算机不发达的年代，这些复杂函数不画图，怎么有直观的直觉呢？