-
Dog(Difference of Gaussian)高斯差分
常用于边缘检测、特征检测,这里的Gaussian和高斯低通滤波器的高斯一样,是一个函数,即为正态分布函数,在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减,得到DoG的响应值图像。
首先,高斯函数表示定义为:
其次,两幅图像的高斯滤波表示为:
最后,将上面滤波得到的两幅图像g1和g2相减得到:
即:DOG表达式为:
具体图像处理中,就是将两幅图像在不同参数下的高斯滤波结果相减,得到DoG图。具体步骤如下所示:
第一步,先求出不同参数下的高斯滤波输出并求其Dog图像如下图所示
第二步,根据DOG,求角点。
三维图中的最大值和最小值点是角点,如图所示:
标记红色当前像素点,黄色的圈标记邻接像素点,用这个方式,最多检测相邻尺度的26个像素点。如果它是所有邻接像素点的最大值或最小值点,则标记红色被标记为特征点,如此依次进行,则可以完成图像的特征点提取。
因此在第一步后,我们可以计算出第一步种三个DOG图中是极值的点,如下图所示:
黑色为极小值,白色为极大值
因此,原始图像上以显示的DOG角点检测结果,如下图所示:
-
Log(Laplacian of Gaussian)高斯拉普拉斯算子
Laplace算子常用于边缘检测,由于Laplace算子对噪声很敏感,所以一般利用高通滤波器进行平滑处理,所以引入了高斯拉普拉斯算子(LoG,Laplacian of Gaussian)。
首先高斯函数的定义是:
然后对图像进行高斯滤波:
最后对滤波后的图像进行拉普拉斯运算(图中三角形表示)
因为:
所以Laplacian of Gaussian(LOG)可以通过先对高斯函数进行偏导操作,然后进行卷积求解。公式表示为:
和
因此,我们可以LOG核函数表达式为:
-
Log近似于Dog
DoG算子和LoG算子具有类似的波形,仅仅是幅度不同,不影响极值点的检测,而DoG算子的计算复杂度显然低于LoG,因此一般使用DoG代替LoG算子