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!
您的问题对于[so]来说太宽泛了,无论如何可能会更适合[cs.se]。因为目前的形式也可能过于宽泛,所以请先查看他们的帮助中心。 – 2014-11-22 21:40:11
好的thx回复 – 2014-11-22 21:47:47
我会写一个答案。这实际上应该在信号处理交换:http://dsp.stackexchange.com,但呃! – rayryeng 2014-11-23 01:05:45