特征点匹配算法（1）尺度空间

摘要：现阶段，基于特征点匹配的算法，如SIFT,SURF等著名匹配算法，都是基于一个尺度空间来进行描述的，那么了解尺度空间是什么将是全面了解特征点匹配的关键性基础知识。网上基于尺度空间的基础知识有很少的介绍，所以本章将主要介绍尺度空间，我们将从最底层了解怎么提取特征点，为啥用这种特征点具有较强的鲁棒性。

网上基于尺度空间的基础知识有很少的介绍，所以本文将主要介绍尺度空间，使读者在运用基于SIFT等特征匹配算法时，能从最基本的理论上思考问题和解决问题。本文涉及很多理论数学公式，本来想着要不要就这种很数学的理论进行讲解，但是本公众号本着“知其所以然”的精神还是决定将这种“难啃的骨头”解释一遍，使大家能更加透彻。

01 背景及概念

同一个物体在成像时，由于远近不同，会导致在图像中的大小、细节性（模糊）等方面产生差异，但是该物体又是同一个物体，所以我们不知道到底哪个是真实的，该如何去衡量。于是在1994年由Lindeberg[1]提出来的尺度空间来衡量物体在图像中和现实中的一个关联。这其实就是地图上的距离尺标一样，用来表示不同大小成像物体和真实大小的一种关系。
[外链图片转存失败(img-qslwUMs2-1562988897683)(https://raw.githubusercontent.com/FutureIsM/blog_img/master/尺度空间/不同尺度空间的效果.JPG)]
以原图作为基准，最后一幅图就像是在距离很远的距离看的一大幅图中的部分截图。所以可以用一个尺度空间来表示距离和大小的相互关系。

02 尺度空间

Koenderink[2]等人用精准的数学形式通过不同的途径都证明了高斯核实实现尺度变换的唯一变换核。

尺度空间的最原始的形式是由热传导方程演变而来，热传导方程式是一个用来描述热量随着时间变化在空间的分布过程，具有下面的形式：

$$ \frac{\partial μ}{\partial t}= k \left( \frac{\partial ^2 μ}{\partial t^2} + \frac{\partial ^2 μ}{\partial t^2} +\frac{\partial ^2 μ}{\partial t^2} \right )= k \nabla^2 μ $$

其中μ描述的是热量在空间的分布，k是一个长寿。在信号处理领域中，如果把信号函数$f:\mathbb{R}\to$