我对 SIFT 有一个我不明白的问题。Lowe [1] 在他的工作中提出s=3，音阶的水平足够一个八度。之后，他提到你需要计算s+3关卡。
为什么需要 3 个而不是 2 个额外级别。我知道，由于您在相邻尺度中搜索极值，因此您需要在尺度上再增加一层，在尺度下再增加一层。
第三个额外的规模是多少？
非常感谢您！
[1] Distinctive Image Features from Scale-Invariant Keypoints
D. G. Lowe
Int. Journal of Computer Vision 60(2) (2004), pp. 91--110
我们必须在每个八度音程的模糊图像堆栈中生成 s + 3 张图像，以便最终的极值检测覆盖一个完整的八度音程。
对于，这意味着您将拥有模糊图像（左图 1 中的论文中显示的高斯图像）。拥有高斯图像将产生DoG 图像（如右图 1 所示）。这将允许您在尺度上进行极值检测（使用图 2 中所示的方法）。
我只能找到这是论文：
如该图所示，当每倍频程采样 3 个音阶时获得最高的可重复性，这也是本文中所有其他实验使用的音阶样本数。随着更多尺度的采样，重复性并没有继续提高，这似乎令人惊讶。原因是这会导致检测到更多的局部极值，但这些极值平均而言不太稳定，因此不太可能在变换后的图像中被检测到。
当他说 s+3 时，你指的是哪里？
我想这也取决于您使用的 DOG 过滤器的比例。我见过 DOGupper/DOGlower = 1.6，因为它非常稳定（D. Marr & E. Hildreth，“边缘检测理论”，1980 年）。这也接近 LOG 过滤器。