经典算法初探之SIFT

尺度不变换特征变换(Scale invariant feature Transform,SIFT)(Lowe,1999,2004)[1],[2]

目标是解决低层次特征提取及其图像匹配应用中的许多实际问题。

关于SIFT算法，2004年David Lowe发表在Int. Journal of Computer Vision的经典论文[2]中，对尺度空间(scale space)是这样定义 ：It has been shown by Koenderink (1984) and Lindeberg (1994) that under a variety of reasonable assumptions the only possible scale-space kernel is the Gaussian function.Therefore,the scale space of an image is defined as a function L(x, y,delta) that is produced from the convolution of a variable-scale Gaussian G(x,y,delta), with an input image I(x, y).

==========================

这里有几点疑惑，记录下来

1. input image I(x, y)：究竟是什么形式？ 有人提到x，y是空间坐标。众所周知图像数据内应该带有空间坐标，RGB的颜色信息等等才能组成图像。如果只有空间坐标，没有该坐标上的颜色信息怎么能构成一幅图像？
2. function L(x, y,delta)：是尺度空间(scale space)的表示函数。其中x，y应该和I(x, y)一致，delta是否可以当做

尺度空间(scale space)的表示函数

    

其中G (x,y,σ)  是尺度可变高斯函数：

         

(x，y)是空间坐标，σ是尺度坐标。σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。大的σ值对应粗糙尺度(低分辨率)，反之，对应精细尺度(高分辨率)。为了有效的在尺度空间检测到稳定的关键点，提出了高斯差分尺度空间(DOG scale-space)。利用不同尺度的高斯差分核与图像卷积生成。

   

选择高斯差分尺度空间计算极值点是原因有两点；第一、为了容易计算，不同尺度空间相减即可；第二、差分尺度空间和高斯拉普拉斯函数近似相等。

这里我有个疑问,两个尺度空间相减是什么情况?得出的又是什么的?两个函数相减.....