這裏的「比例」暗示了圖像的大小以及對象本身的大小......至少對於當前的特徵檢測算法。您構建比例空間的原因是因爲我們可以根據我們正在查看的比例關注特定大小的特徵。規模越小,我們可以關注的更粗糙或更小的特徵。同樣,規模越大,我們可以關注的更細或更大的特徵。
您在同一張圖片上完成所有這些操作,因爲這是特徵檢測的常用預處理步驟。特徵檢測的全部要點是能夠檢測圖像的多個比例上的特徵。您只輸出那些在所有不同尺度上都可靠的功能。這實際上是Scale-Invariant Feature Transform (SIFT)的基礎,其中一個目標是能夠穩健地檢測可在多個圖像尺度上找到的關鍵點。
你如何創建多個比例是通過重複對圖像進行二次採樣並在每個子採樣結果上用高斯濾波器對圖像進行模糊來分解圖像。這就是所謂的scale space。的尺度空間的樣子顯示在這裏一個典型的例子:
你爲什麼選擇高斯濾波器的原因是根本的方式尺度空間的作品。在每個尺度上,您都可以將每幅圖像看作是從前一尺度中找到的更「簡化」版本。使用典型的模糊濾波器,它們引入了新的僞結構,這些結構與更精細的尺度下的簡化不相符。我不會詳細討論細節,但是有大量的尺度空間理論,最後,使用高斯模糊的尺度空間構建是實現這一點的最基本的方式,因爲當從精細刻度到任何粗糙的刻度。你可以查看我上面鏈接到的維基百科文章,其中討論了更多細節的縮放空間。
現在,傳統的尺度空間是通過與各種標準差的高斯濾波器卷積你的形象創造,而維基百科的文章有一個漂亮的圖形表示。但是,當您查看更近期的特徵檢測算法(如SURF或SIFT)時,它們將使用不同標準差的模糊以及圖像二次抽樣進行組合,這是我在本文開頭討論的內容。
無論哪種方式,請查看維基百科帖子瞭解更多詳情。他們比我在這裏做的更深入地談論這件事。
祝你好運!
您的問題對於[so]來說太寬泛了,無論如何可能會更適合[cs.se]。因爲目前的形式也可能過於寬泛,所以請先查看他們的幫助中心。 – 2014-11-22 21:40:11
好的thx回覆 – 2014-11-22 21:47:47
我會寫一個答案。這實際上應該在信號處理交換:http://dsp.stackexchange.com,但呃! – rayryeng 2014-11-23 01:05:45