页面设计制作网站源码,莱西网站制作联赛与超,云畅网站建设网址,wordpress怎么关注站点在边缘提取的时候#xff0c;用高斯一阶导对信号进行卷积#xff0c;响应值最大的就是边界如果用高斯二阶导对信号进行卷积#xff0c;0点就是边界点#xff08;二阶导等于0的点#xff0c;对应一阶导的极值点#xff09; 如果用高斯二阶导在不同的信号上进行卷积#x… 在边缘提取的时候用高斯一阶导对信号进行卷积响应值最大的就是边界如果用高斯二阶导对信号进行卷积0点就是边界点二阶导等于0的点对应一阶导的极值点 如果用高斯二阶导在不同的信号上进行卷积当信号宽度与高斯滤波核匹配的时候就能得到绝对值最大的信号这样就建立了尺度和滤波核之间的联系。 用不同的Laplacian对同一个信号进行卷积的时候随着的增大响应值会越来越不明显。
因为作为分母越来越大卷积后的信号值就会越来越小 对于一阶偏导需要对卷积后的信号补偿对于二阶偏导需要对卷积后的信息补偿 将响应值固定在一个尺度上。
补偿之后就能用反映尺度 二维Laplacian高斯卷积核如下图所示
当半径值正好与Laplacian为0的值匹配上的时候响应值最大 假设这个圆是二进制的简单来说就是让laplacian小于0的部分权值为0laplacian大于0的部分权值为1 SIFT使用的是DoG模版两个高斯模版的差分拥有和Laplacian类似的特性 一般而言随着的增大窗口也会变大Laplacian每一次都会在原图进行卷积卷积的成本就会增大。而DoG是利用高斯卷积核来做的可以通过对较小的卷积核卷积得到较大的卷积核减小卷积成本。 在SIFT算法中当你需要更大的尺度时候不是改变而是按比例缩小原图用小的进行卷积然后再将卷积的结果乘以对应比例只用一套滤波核就能得到多个尺度空间。
