信息处理 - SIFT中的关键点位置和比例 - 吾爱随笔录

如果我理解正确，关键点就是一个元组

(x, y, σ, r),

$(x,y,\sigma, r),$ 在哪里

x, y

$x,y$ 定义关键点的位置和

r

$r$ 一个方向（由关键点周围最主要的梯度向量给出）。我仍然不确定的意图

σ

$\sigma$ .

SIFT第一部分所做的是考虑

L (x, y, σ) := G (x, y, σ) * I (x, y),

$L(x,y,\sigma):=G(x,y,\sigma) \ast I(x,y),$ 在哪里

I (x, y)

$I(x,y)$ 表示图像在位置的值

(x, y)

$(x,y)$ ,

*

$\ast$ 卷积和

G (x, y, σ)

$G(x,y,\sigma)$ 具有标准差的高斯滤波器

σ

$\sigma$ , 在位置求值

(x, y)

$(x,y)$ .

现在考虑DoG，用于不同大小的图像和不同的模糊值 $\sigma$ 并收集有趣的点。

这个程序最让我困惑的是Lowe表示 $\sigma$ 作为图像的比例。然而， $\sigma$ 只是一个模糊参数。

因此，我定义了缩放图像的模糊图像

L (x, y, σ, s) := G (x, y, σ) * I_{s} (x, y),

$L(x,y,\sigma,s):=G(x,y,\sigma) \ast I_s(x,y),$ 在哪里

I_{s}

$I_s$ 是图像

I

$I$ 按因子缩放

s

$s$ （因此将图像的两个维度乘以 s，然后重新缩放）。因此，DoG 中一个有趣的点是一个点

(x, y)

$(x,y)$ 在图像中

L (x, y, k σ, s) - L (x, y, σ, s)

$L(x,y,k\sigma,s)-L(x,y,\sigma,s)$ .

在 Lowe 的论文中，他从不考虑参数 's' 而只是 $\sigma$ . 为什么会这样？我如何关联 $(x,y)$ 的 $L(x,y,\sigma,s)$ 到图像中的某个位置 $I$ 以及为什么要保存模糊参数 $\sigma$ ?

现在关键点以什么方式缩放（调整大小）-不变？

在某些DoG的调整大小的图像中是否应该存在一个关键点，该关键点对应于前一个关键点，其周围渐变的方向和大小或多或少相同？这就是Lowe所说的不变性吗？

为了找到一个关键点，一个局部极值 $L(x,y,\sigma)$ 围绕一个点 $(x,y,\sigma)$ 被认为。通过泰勒展开使用插值极值背后的想法是什么？

谢谢迈克尔斯