比例尺和多尺度空间理论

Question

首先这个理论混淆了我，有人可以用我的话来解释它。 也计算机视觉背景下的单词比例是否意味着各种尺寸的对象 或各种单位的对象测量（如米，厘米等）或我认为是不同程度的平滑/模糊为同一有趣的图像？

其次通过使用平滑/模糊算子来制作多尺度的图像，我知道高斯模糊算子。为什么他们为相同的图像做了一些平滑处理，为不同的细节/分辨率制作多个平滑图像，但同一场景的大小没有不同（即在感兴趣的图像上有一个平滑的运算符，大小为256X256，另一个时间与512X512）。 我正在说话的特征提取&描述。 如果有人能为我的语言表达歉意，我会很感激！

Answer 1

这里的“比例”暗示了图像的大小以及对象本身的大小......至少对于当前的特征检测算法。您构建比例空间的原因是因为我们可以根据我们正在查看的比例关注特定大小的特征。规模越小，我们可以关注的更粗糙或更小的特征。同样，规模越大，我们可以关注的更细或更大的特征。

您在同一张图片上完成所有这些操作，因为这是特征检测的常用预处理步骤。特征检测的全部要点是能够检测图像的多个比例上的特征。您只输出那些在所有不同尺度上都可靠的功能。这实际上是Scale-Invariant Feature Transform (SIFT)的基础，其中一个目标是能够稳健地检测可在多个图像尺度上找到的关键点。

你如何创建多个比例是通过重复对图像进行二次采样并在每个子采样结果上用高斯滤波器对图像进行模糊来分解图像。这就是所谓的scale space。的尺度空间的样子显示在这里一个典型的例子：

你为什么选择高斯滤波器的原因是根本的方式尺度空间的作品。在每个尺度上，您都可以将每幅图像看作是从前一尺度中找到的更“简化”版本。使用典型的模糊滤波器，它们引入了新的伪结构，这些结构与更精细的尺度下的简化不相符。我不会详细讨论细节，但是有大量的尺度空间理论，最后，使用高斯模糊的尺度空间构建是实现这一点的最基本的方式，因为当从精细刻度到任何粗糙的刻度。你可以查看我上面链接到的维基百科文章，其中讨论了更多细节的缩放空间。

---

现在，传统的尺度空间是通过与各种标准差的高斯滤波器卷积你的形象创造，而维基百科的文章有一个漂亮的图形表示。但是，当您查看更近期的特征检测算法（如SURF或SIFT）时，它们将使用不同标准差的模糊以及图像二次抽样进行组合，这是我在本文开头讨论的内容。

无论哪种方式，请查看维基百科帖子了解更多详情。他们比我在这里做的更深入地谈论这件事。

祝你好运！