SIFT中高斯图像差异的极值检测

Question

我对 SIFT 算法的工作原理有疑问。因此，假设我通过将图像与各种大小的高斯滤波器进行卷积，在多个八度音程中对单个图像进行了比例 space 表示。此外，我还计算了每个八度音程的高斯 (DoG) 图像的各种差异。

让我们假设对于给定的八度音程我有 7 张 DoG 图像。我的问题是关于这些 DoG 图像中的最大值发现。根据文献，每个相邻的 DoG 图像与 8 个局部邻居和 9 个邻居进行比较。

所以，现在假设我正在处理这 7 张 DoG 图像，我将从索引 1 开始一直到索引 5。所以，类似于：

for (int i = 1; i <= 5; ++i)
{ 
   for (int y = 1; y < image_height-1; ++y)
   {
       for (int x = 1; x < image_width-1; ++x)
       {
           current_pixel = image[x, y, i];
           // Compare with the neighbours
           // check if it is a maxima at loc (x, y, i)
       }
   }
}

因此，我在这里遍历图像并将检查它是否是该位置的最大值。我的问题是现在我将在每个尺度上得到最大值位置（在我的例子中是从 1 到 5）。因此，对于给定的 (x, y) 位置，可以有多个最大值（例如在比例 1、3 和 5 处）。那么，这是一个问题还是同一空间位置 (x, y) 可以关联多个关键点？有人可以向我解释算法如何继续改进这些关键点吗？

Answer 1

您还需要找到跨尺度的极值。

Scale-space 极值检测意味着找到跨越 "scale" 和跨越 "space." 的每个像素的极值 Space 是图像中的 xy 平面。 Space 是金字塔的索引。

你想做什么？

scale-space 极值检测的想法是找到特征具有最高响应的尺度。例如，如果图像中有一个小斑点。它的极值将处于一个很好的范围内。在粗尺度下，这个小斑点会被洗掉。

对于大 blob，以精细尺度计算分数不会产生极值。但是，如果比例足够粗糙，斑点就会突出。也就是说，对于金字塔的较粗层次，小斑点周围的较小结构将被洗掉，而大斑点将脱颖而出。

SIFT中高斯图像差异的极值检测

Extrema detection in difference of gaussian images in SIFT

image-processing

computer-vision

sift