从多尺度空间到差分高斯金字塔

从多尺度空间到差分高斯金字塔

摘要：
1、 多尺度空间理论是如何构思的
2、 高斯平滑的意义是什么
3、 DoG同LoG为什么会被提出，它们的联系是什么
4、 差分高斯金字塔为什么会分那么多组和层

通常情况下，我们经常通过极值或梯度等来描述一个信号（或图像）的信息，然后尺度信息也是同等重要的，尺度越来越精细，会图像增加更多细节，反之尺度越粗，也会丢失许多细节，如此以来，研究人员想到通过建立多尺度空间来描述图像尺度变化时，其信息的变化特征，通过引入一个被视为尺度的连续变化参数，获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间的提取，从而实现不同分辨率上的特征提取等。
然而问题是单纯通过采样来建立尺度空间金字塔，会使尺度变化粒度太大，并不十分准确。我们发现随着尺度越来粗，丢失细节的过程非常类似于平滑模糊的过程，所以我们就可以通过一系列平滑模糊滤波器来获得不同尺度的图像。
但是这样的平滑滤波器必须满足不会在滤波过程中增加新的局部极值点，意思就是说，平滑后的图像里的局部极值点都可以在平滑前的图像局部极值点内找到，或者说还有一种表达，就是随着尺度参数的增加，局部极值并不会被增强。另外还要求这样的滤波器是移不变的，即不依赖于图像本身的值。Babaud在1986年论文详细地说明只有高斯滤波核才能满足这个条件【2】。Lindeberg在1990年研究离散信号的情况，他研究表明在离散情况下，由于扩散函数影响，容易增加新的极值点，所幸这只在细尺度情况下发生，随着尺度越来越粗，新产生的极值点也会消失【1】。
离散情况下，为什么会引入扩散函数呢？这里涉及到图像的局部极值提取的问题，图像的局部极值提取主要是用拉布拉斯算子。
图像进行高斯平滑，引入尺度参数

 

对平滑后的图像进行拉布拉斯运算，也可以先直接对高斯平滑算子运算。

 

这里我们发现在进行拉布拉斯运算后，我们实际得到了关于尺度参数的扩散函数。当然这个扩散函数本身也是有意义的。当(x,y)为当前尺度下的局部极大值点时，那么该点扩散函数应该是小于或等于0的，表现为随着尺度增加，其值越来越减少。而当其为当前尺度下的局部极小值点时，那么该点扩散函数应该是大于或等于0的，表现为随着尺度增加，其值越来越增加。总的来说，随着尺度增加，表现为一个平滑极值点的过程。
我们对拉布拉斯变换进行归一化得到 ，发现：

 

由此，我们得到了差分高斯函数实际上是对于归一化拉布拉斯函数的一个近似。所以我们可以通过建立一系列不同尺度参数的差分高斯函数，从而可以获得不同尺度空间的局部极值。
竟然如此，我们为什么还要通过采样来建立尺度空间金字塔呢？为什么不直接通过尺度参数获得。还是回到我们开头的思考，正是因为单纯通过采样，我们没办法获得细间隔的尺度变化，所以我们才引入尺度参数，而尺度参数的计算是需要消耗的时间远比采样的时间多，所以引入尺度参数实际上为解决细间隔的尺度变化，而采取的无赖之举。

 

如此，我们来看差分高斯函数的分层分组问题，就非常简单了，组octave之间分别进行采样，尺度缩小一半，而每组的层之间通过不同尺度参数的高斯平滑，进一步细化了这一倍尺度变化的间隔，所以我们可以得到统一了采样操作后尺度变化公式，这里O，S分别指组号同层号：

 

这里突然想到前面关于尺度不变的Harris角点检测算法中的LoG里的σI和σD，它们同DoG里的尺度参数有什么关系？通常将σI称为积分尺度，它是决定Harris角点当前尺度的变量，σD为微分尺度或局部尺度，它是决定角点附近微分值变化的变量，实际上是平滑噪声。显然，积分尺度σI应该大于微分尺度σD。

另外推荐一篇关于DoG和LoG尺度空间金字塔区别的文章http://blog.csdn.net/xiaowei_cqu/article/details/27692123

参考论文：

【1】Scale-Space for Discrete Signals，Lindeberg关于离散信号的尺度空间论文http://download.csdn.net/detail/tostq/9175043

【2】 Uniqueness of the Gaussian Kernel for Scale-Space.pdf，Babaud的论文，主要描述高斯平滑为什么是唯一的能用多尺度空间平滑滤波的核 http://download.csdn.net/detail/tostq/9174995