零碎知识点和术语

DoG算子

$DoG(DifferenceofGaussian)$是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，即去噪过程。
高斯函数：
$$G_{\sigma }(x,y)=\frac{1}{\sqrt{2\pi {\sigma }^2}}exp(-\frac{x^2+y^2}{2{\sigma }^2})$$
对图像高斯滤波：
$$g(x,y)=G_{\sigma }(x,y)\ast f(x,y)$$
对同一图像进行不同$\sigma$的高斯滤波结果相减得到$DoG$图：
$$g_1(x,y)-g_2(x,y)=G_{{\sigma }_1}(x,y)\ast f(x,y)-G_{{\sigma }_2}(x,y)\ast f(x,y)=(G_{{\sigma }_1}-G_{{\sigma }_2})\ast f(x,y)=DoG\ast f(x,y)$$
$DoG$表示为：
$$\begin{gathered} DoG\triangleq G_{\sigma 1}-G_{\sigma 2}= \\ \frac{1}{\sqrt{2\pi }}(\frac{1}{{\sigma }_1}{e}^{-(x^2+y^2)/(2{\sigma }_1^2)}- \\ \frac{1}{{\sigma }_2}{e}^{-(x^2+y^2)/(2{\sigma }_2^2)}) \end{gathered}$$

LoG算子

拉普拉斯算子为
$${▽}^{2}f=\frac{{\partial }^{2}f}{\partial x^2}+\frac{{\partial }^{2}f}{\partial y^2}$$
对二维高斯函数应用拉普拉斯算子
$$\begin{gathered} {▽}^{2}G=\frac{{\partial }^{2}G}{\partial x^2}+ \\ \frac{{\partial }^{2}G}{\partial y^2}= \\ \frac{-2{\sigma }^2+x^2+y^2}{2\pi {\sigma }^5}{e}^{-(x^2+y^2)/(2{\sigma }^2)} \end{gathered}$$
$LoG(LaplacianofGaussian)$算子定义为
$$LoG={\sigma }^2{▽}^{2}G$$
DoG算子可以近似LoG算子

图像下采样(降采样)

下采样就是将图像缩小，对于一个图像I尺寸为MN，对其进行s倍下采样，即得到(M/s)(N/s)分辨率的图像，对于矩阵形式的图像，就是把原始图像s*s窗口内的像素变成一个像素，这个像素点的值是窗口内所有像素点的均值，对于第k个窗口：
$$p_k=\sum _{i\in win(k)}{I}_{(i)}/s^2$$

积分图

为了加速求局部矩阵求和运算，建立一个和原始图像相同的二维数组S，其中
$$S(x,y)=\sum _{x^{\prime }\le x,y^{\prime }\le y}I(x^{\prime },y^{\prime })$$
即$S(x,y)$相当于该点与图像原点构成的矩形的点的像素和

比如求区域D所有像素的和：$S(4)-S(3)-S(2)+S(1)$

三角剖分

对下面图像三角剖分


【定义】三角剖分：假设V是二维实数域上的有限点集，边e是由点集中的点作为端点构成的封闭线段，E为e的集合。那么该点集V的一个三角剖分T=(V,E)是一个平面图G,该平面图满足条件：
1、除了端点，平面图中的边不包含点集中的任何点。
2、没有相交边。//边和边没有交叉点
3、平面图中所有的面都是三角面，且所有三角面的合集是散点集V的凸包。
凸包的概念：用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边型，它能包含点集中所有的点。
具体解释
https://blog.csdn.net/piaoxuezhong/article/details/68065170