sift-怎么理解“尺度空间高斯核是唯一卷积核”

问题描述

怎么理解“尺度空间高斯核是唯一卷积核”

SIFT里构建尺度空间利用的是高斯函数和原图像迭代卷积。
而且多出提到高斯核是构建尺度空间的唯一卷积核。
Lowe(2004)也提到:
It has been shown by Koenderink (1984) and Lindeberg (1994) that under a variety of reasonable assumptions the only possible scale-space kernel is the Gaussian function.
所以我想问,为什么必须是高斯函数呢?
PS:我看过一篇EI文章,提到的是利用双边滤波而非高斯滤波建立各项异性尺度空间以求保留细节,据文章数据分析效果还挺好的,这又该怎么解释?

解决方案


解决方案二:

书中说高斯是尺度空间唯一的线性卷积核,双边滤波是非线性的,不过我也不太明白为什么尺度空间线性卷积核必须是高斯~


时间: 2023-11-24 10:53:10

sift-怎么理解“尺度空间高斯核是唯一卷积核”的相关文章

SIFT特征--构造DOG尺度空间

    最近打算做全景图拼接,尝试过hugin和opencv stitch,一直没有很满意的效果.打算深入研究,恰好,在github看到清华一小哥的项目,故逐步分析他的代码.     sift特征是全景拼接的第一步,相当基础,但sift特征提取与匹配从0开始实现起来又挺折腾的,故花点时间整理下.     清华小哥的博客:http://ppwwyyxx.com/2013/SIFT-and-Image-Stiching/      我的github连接:https://github.com/haop

理解SIFT

理解SIFT 理解SIFT MarkdownHTML ## SIFT步骤### 找尺度空间极值 可以用DoG找 需要讲理论依据和DoG结合进行推导 s值和$\sigma$值的选取问题### 关键点定位 和泰勒展开相关### 方向赋值### 局部图像描述符## SIFT用于目标识别的步骤 目标图像提取SIFT特征:搭建SIFT特征数据库 用快速kNN将目标特征在数据库中查找 用霍夫变换寻找属于同一单目标的簇(cluster) 用least-square(最小二乘法)验证## SIFT算法步

sift surf-刚入门的小白寻求一些有关SIFT和SURF的帮助

问题描述 刚入门的小白寻求一些有关SIFT和SURF的帮助 刚刚开始研究SIFT和SURF这两个算法,查阅了一些资料,现在仍然存在一些可能是比较初级的疑问,问题应该不会很难,比较入门,所以希望有了解的虫友能够帮忙回答一下 1.SIFT中不同的octave层尺寸不同的原因是降采样,那么这个降采样具体是怎样操作的呢?我只通过查阅一些资料知道是通过隔点采样的方法提取而导致每层尺寸大小不同的,那这个隔点采样的标准又是什么呢? 2.查阅了一些有关SURF的资料,上面说它和SIFT算法中的一个不同是SURF

支持向量机通俗导论(理解SVM的三层境界)

PS: 膜拜+跪拜 支持向量机通俗导论(理解SVM的三层境界) 作者:July :致谢:pluskid.白石.JerryLead.画儿.出处:结构之法算法之道blog. 前言     动笔写这个支持向量机(support vector machine)是费了不少劲和困难的,原因很简单,一者这个东西本身就并不好懂,要深入学习和研究下去需花费不少时间和精力,二者这个东西也不好讲清楚,尽管网上已经有朋友写得不错了(见文末参考链接),但在描述数学公式的时候还是显得不够.得益于同学白石的数学证明,我还是想

机器学习之深入理解SVM

在浏览本篇博客之前,最好先查看一下我写的另一篇文章机器学习之初识SVM(点击可查阅哦),这样可以更好地为了结以下内容做铺垫! 支持向量机学习方法包括构建由简至繁的模型:线性可分支持向量机.线性支持向量机及非线性支持向量机.当训练数据线性可分时,通过硬间隔最大化,学习一个线性的分类器,即线性可分支持向量机,又称为硬间隔支持向量机:当训练数据近似线性可分时,通过软间隔最大化,也学习一个线性的分类器,即线性支持向量机,又称为软间隔支持向量机:当训练数据线性不可分时,通过使用核技巧及软间隔最大化,学习非

高斯滤波

高斯滤波 图像滤波之高斯滤波(Gauss filter) 概述: 高斯滤波: 高斯滤波在图像处理概念下,将图像频域处理和时域处理相联系,作为低通滤波器使用,可以将低频能量(比如噪声)滤去,起到图像平滑作用. 高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程.通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到.高斯滤波的具体操作是:用一个模板(或称卷积.掩模)扫描图像中的每一个像素,用模板确定的邻域内像

开发者自述:我是怎样理解支持向量机(SVM)与神经网络的

  SVM与神经网络 支持向量机并不是神经网络,这两个完全是两条不一样的路吧.不过详细来说,线性SVM的计算部分就像一个单层的神经网络一样,而非线性SVM就完全和神经网络不一样了(是的没错,现实生活中大多问题是非线性的),详情可以参考知乎答案. 这两个冤家一直不争上下,最近基于神经网络的深度学习因为AlphaGo等热门时事,促使神经网络的热度达到了空前最高.毕竟,深度学习那样的多层隐含层的结构,犹如一个黑盒子,一个学习能力极强的潘多拉盒子.有人或许就觉得这就是我们真正的神经网络,我们不知道它那数

retinex-单尺度RETINEX的算法中不同代码的高斯函数的形式问什么不同,MATLAB代码

问题描述 单尺度RETINEX的算法中不同代码的高斯函数的形式问什么不同,MATLAB代码 有没有相关的代码.为什么高斯核的形式不一样 [x y]=meshgrid((-(size(Ir,2)-1)/2):(size(Ir,2)/2),(-(size(Ir,1)-1)/2):(size(Ir,1)/2)); gauss_1=exp(-(x.^2+y.^2)/(2*sigma_1*sigma_1)); %计算高斯函数 Gauss_1=gauss_1/sum(gauss_1(:)); %归一化处理

一文读懂机器学习,大数据/自然语言处理/算法全有了……

作者:计算机的潜意识 在本篇文章中,我将对机器学习做个概要的介绍.本文的目的是能让即便完全不了解机器学习的人也能了解机器学习,并且上手相关的实践.这篇文档也算是EasyPR开发的番外篇,从这里开始,必须对机器学习了解才能进一步介绍EasyPR的内核.当然,本文也面对一般读者,不会对阅读有相关的前提要求. 在进入正题前,我想读者心中可能会有一个疑惑:机器学习有什么重要性,以至于要阅读完这篇非常长的文章呢? 我并不直接回答这个问题前.相反,我想请大家看两张图,下图是图一: 图1 机器学习界的执牛耳者