LoG特征描述符

LoG ：Laplacian of Gaussian

简要描述

拉普拉斯算子是2D图像的二阶空间导数, 且各向同性。图像的拉普拉斯算子突出显示像素值强度快速变化的区域，因此通常用于边缘检测。拉普拉斯算子通常先对图像应用近似高斯平滑滤波器进行平滑处理，以降低其对噪声的敏感度，因此LoG操作通常是包括了高斯平滑操作的。LoG通常将单个灰度图像作为输入，并生成另一个灰度图像作为输出。

具体操作

拉普拉斯算子$L(x,y)$表示如下，令$I(x,y)$表示图像在坐标$(x,y)$上的像素值：
$$L(x,y)=\frac{{\partial }^{2}I}{\partial x^2}+\frac{{\partial }^{2}I}{\partial y^2}$$
这可以使用卷积滤波器近似计算。
由于输入图像表示为一组离散像素，因此我们可以找到一个离散卷积核，可以近似拉普拉斯算子的定义中的二阶导数。图1显示了两个常用的小内核。

因为这些核近似于图像上的二阶导数，所以它们对噪声非常敏感。为了解决这个问题，通常在应用拉普拉斯滤波器之前对图像进行高斯平滑处理。该预处理在求导步骤之前减少了高频噪声分量。

由于卷积运算满足结合律，因此我们可以首先对高斯平滑滤波器与拉普拉斯滤波器进行卷积，然后由混合滤波器与图像进行卷积以获得最终结果。

用这种方式有两个优点：
由于高斯和拉普拉斯核尺寸通常都比待处理图像小得多，因此该方法通常花费更少的算术运算。
可以预先计算LoG（“Laplacian of Gaussian”）卷积核，因此在运行时只需要对图像执行一次卷积即可。

以零为中心且具有高斯标准偏差的2-D LoG函数具有以下形式：
$$LoG(x,y)=-\frac{1}{\pi {\sigma }^4}[1-\frac{x^2+y^2}{2{\sigma }^2}]e^{-\frac{x^2+y^2}{2{\sigma }^2}}$$
简要推导如下:

我们知道2D上各向同性高斯分布公式如下：
$$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{x^2+y^2}{2{\sigma }^2}}$$
令$\ast$表示卷积运算，有微分定理：$D(f\ast g)=Df\ast g=f\ast Dg$

所以，
$$LoG(x,y)=G(x,y)\ast L(x,y)=\frac{{\partial }^{2}G(x,y)}{\partial x^2}+\frac{{\partial }^{2}G(x,y)}{\partial y^2}=-\frac{1}{\pi {\sigma }^4}[1-\frac{x^2+y^2}{2{\sigma }^2}]e^{-\frac{x^2+y^2}{2{\sigma }^2}}$$
注意，随着高斯变得越来越窄，LoG卷积核变得与图1中所示的简单拉普拉斯卷积核相同。这是因为在离散矩阵上使用非常窄的高斯（<0.5像素）进行平滑处理无效。因此，在离散矩阵上，拉普拉斯算子可以看作是窄高斯的LoG的极限情况。

未完待续。。。

inference

1. https://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm