高斯核与高斯核的卷积的结果还是一个高斯核的推导

高斯核卷积高斯核

之前看sift源码中有个概念，就是对一张图像$I_0$，先进行标准差为${\sigma }_1$的高斯核卷积，得到$I_1$，再基于$I_1$进行标准差为${\sigma }_2$的高斯核卷积得到图像$I_2$，和$I_0$直接进行一次标准差为$\sigma$的高斯核的卷积得到$I_2$之间的关系。写成表达式就是$I_0\ast g1\ast g2$是否等于$I_0\ast (g1\ast g2)$，如果成立$g=g1\ast g2$是个什么东东。结论是等号成立的，并且$g$也是一个标准差为$\sigma$的高斯分布的概率密度函数，且${\sigma }^2={\sigma }_1^2+{\sigma }_2^2$。结合律留给有兴趣的读者，下面证明方差之间的关系。

证明

设$g_1,g_2$是两个1维正态分布的概率密度函数：
$g_1(x)=\frac{1}{\sqrt{2\pi }{\sigma }_1}{e}^{-\frac{(x-{\mu }_1{)}^2}{2{\sigma }_1^2}}$
$g_2(x)=\frac{1}{\sqrt{2\pi }{\sigma }_2}{e}^{-\frac{(x-{\mu }_2{)}^2}{2{\sigma }_2^2}}$

在无穷区间上的积分，被积函数的自变量发生平移并不影响积分结果，为了简化计算，不妨设${\mu }_1={\mu }_2=0$.
从而，

$f(t)=g_1(x)\ast g_2(x)$
$={\int }_{-\infty }^{\infty }{g}_1(x)g_2(t-x)dx$
$=\frac{1}{2\pi {\sigma }_1{\sigma }_2}{\int }_{-\infty }^{\infty }{e}^{\frac{-x^2}{2{\sigma }_1^2}-\frac{-(t-x{)}^2}{2{\sigma }_2^2}}dx$

下面对积分部分进行计算
${\int }_{-\infty }^{\infty }{e}^{\frac{-x^2}{2{\sigma }_1^2}-\frac{-(t-x{)}^2}{2{\sigma }_2^2}}dx$
$={\int }_{-\infty }^{\infty }{e}^{\frac{-x^2{\sigma }_2^2-{\sigma }_1^2(t-x{)}^2}{2{\sigma }_1^2{\sigma }_2^2}}dx$

$={\int }_{-\infty }^{\infty }{e}^{\frac{x^2{\sigma }_2^2+{\sigma }_1^2{t}^2+{\sigma }_1^2{x}^2-2{\sigma }_1^{2}tx}{-2{\sigma }_1^2{\sigma }_2^2}}dx$

$={\int }_{-\infty }^{\infty }{e}^{\frac{({\sigma }_1^2+{\sigma }_2^2)(x-\frac{{\sigma }_1^{2}t}{{\sigma }_1^2+{\sigma }_2^2}{)}^2-\frac{{\sigma }_1^4{t}^2}{({\sigma }_1^2+{\sigma }_2^2{)}^2}\cdot ({\sigma }_1^2+{\sigma }_2^2)+{\sigma }_1^2{t}^2}{-2{\sigma }_1^2{\sigma }_2^2}}dx$

$={\int }_{-\infty }^{\infty }{e}^{\frac{({\sigma }_1^2+{\sigma }_2^2)(x-\frac{{\sigma }_1^{2}t}{{\sigma }_1^2+{\sigma }_2^2}{)}^2+\frac{{\sigma }_1^2{\sigma }_2^2{t}^2}{{\sigma }_1^2+{\sigma }_2^2}}{-2{\sigma }_1^2{\sigma }_2^2}}dx$

$={\int }_{-\infty }^{\infty }{e}^{\frac{({\sigma }_1^2+{\sigma }_2^2)(x-\frac{{\sigma }_1^{2}t}{{\sigma }_1^2+{\sigma }_2^2}{)}^2}{-2{\sigma }_1^2{\sigma }_2^2}-\frac{t^2}{{\sigma }_1^2+{\sigma }_2^2}}dx$

$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}{\int }_{-\infty }^{\infty }{e}^{\frac{({\sigma }_1^2+{\sigma }_2^2)(x-\frac{{\sigma }_1^{2}t}{{\sigma }_1^2+{\sigma }_2^2}{)}^2}{-2{\sigma }_1^2{\sigma }_2^2}}dx$

前面说过，无穷积分上被积函数的自变量平移操作不影响积分值（可以用换元法证明，令$y=x-\frac{{\sigma }_1^{2}t}{{\sigma }_1^2+{\sigma }_2^2}$,$dx=dy$，换元必换限，这里上下限依旧是正负无穷，不变）
上式
$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}{\int }_{-\infty }^{\infty }{e}^{\frac{({\sigma }_1^2+{\sigma }_2^2)x^2}{-2{\sigma }_1^2{\sigma }_2^2}}dx$

$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}{\int }_{-\infty }^{\infty }{e}^{-(\frac{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}{\sqrt{2}{\sigma }_1{\sigma }_2}x{)}^2}dx$

令$y=\frac{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}{\sqrt{2}{\sigma }_1{\sigma }_2}x$,则$dx=\frac{\sqrt{2}{\sigma }_1{\sigma }_2}{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}dy$，换元必换限，上下限依旧是正负无穷不变，从而有
原式
$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}{\int }_{-\infty }^{\infty }{e}^{-y^2}\cdot \frac{\sqrt{2}{\sigma }_1{\sigma }_2}{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}dy$

$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}\frac{\sqrt{2}{\sigma }_1{\sigma }_2}{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}{\int }_{-\infty }^{\infty }{e}^{-y^2}dy$

$=e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}\frac{\sqrt{2}{\sigma }_1{\sigma }_2}{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}\sqrt{\pi }$

其中${\int }_{-\infty }^{\infty }{e}^{-y^2}dy=\sqrt{\pi }$，一般的高数书上都有，不等式放缩证明收敛性；平方后取极坐标，再两边夹取极限得到收敛的值。

最后得到
$f(t)=\frac{1}{2\pi {\sigma }_1{\sigma }_2}\cdot e^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}\cdot \frac{\sqrt{2}{\sigma }_1{\sigma }_2}{\sqrt{{\sigma }_1^2+{\sigma }_2^2}}\cdot \sqrt{\pi }$
$=\frac{1}{\sqrt{2\pi }\sqrt{{\sigma }_1^2+{\sigma }_2^2}}{e}^{\frac{-t^2}{{\sigma }_1^2+{\sigma }_2^2}}$
$=\frac{1}{\sqrt{2\pi }\sigma }{e}^{\frac{-t^2}{{\sigma }^2}}$
即$f(t)$是标准差为$\sigma$的高斯分布的概率密度函数，其中${\sigma }^2={\sigma }_1^2+{\sigma }_2^2$，证毕。

从理论上说，一张图先后经过${\sigma }_1,{\sigma }_2$的高斯模糊和直接经过$\sigma$的模糊后的状态是一样的，但是实际操作中，由于高斯核模板大小并不是无穷的，而是取了有限个元，所以其中的误差累计，具体会是什么结果也难以预料，只能多做做实验进行对比了。而在sift尺度空间的构造中，因为$\sigma$比${\sigma }_2$大，所以对应的高斯模板也会大一点，运算量就大了。也就是在$I_0,I_1$已知的情况下，由$I_1$得到$I_2$比由$I_0$得到$I_2$的实际运算量会小点。