Image processing Harris-Laplacian检测器和自动比例选择

我想对哈里斯-拉普拉斯检测器有一个基本的了解。我确实知道哈里斯探测器，但无法理解哈里斯-拉普拉斯探测器背后的想法

让我们假设有两个图像显示几乎相同的东西，但一个图像是缩放的。 我们希望找到所有感兴趣的点，以便稍后检查它们的对应性并计算单应矩阵。显然，我们需要一个尺度不变的兴趣点检测器

我认为Harris-Laplacian的工作原理（非常抽象；如果我错了，请纠正我）：

• 将Harris检测器应用于两幅图像
• 对Harris检测器返回的每个兴趣点应用函数
• 保留使拉普拉斯函数最大化的所有点
• 缩放图像并对两幅图像再次应用Harris检测器
• …重复其他步骤

我的问题是:

什么样的点使拉普拉斯函数最大化

我应用于兴趣点的函数是什么样子的？我真的要将其应用于兴趣点还是点周围的补丁

我已经读过函数的最大值。我们需要它做什么，它告诉我们什么

似乎这种方法是一种暴力（缩放图像，应用harris，检查要保留的点，再次缩放图像，应用harris，…）。这不是很低效吗

我们想要保留的点必须使拉普拉斯函数最大化。什么是“拉普拉斯人”？是拉普拉斯算子吗

如果一个点使拉普拉斯函数最大化，那么每个尺度都有几个点。我们如何获得最终的兴趣点？我们从哪个尺度获得它们

算法何时终止

我们为什么使用拉普拉斯算子

---

很多问题：/

我认为最好是阅读Mikolajczyk等人关于哈里斯·拉普拉斯的论文，也许还有他的论文的部分；但我会尽量回答你的问题

首先，你为什么要问拉普拉斯积分最大化的问题？拉普拉斯函数的三阶导数和四阶导数将为您提供关于拉普拉斯函数极值的信息，但是这里的情况不是这样的。Harris-Laplace检测器中使用了在拉普拉斯尺度上最大化的点

第二，“对Harris检测器返回的每个兴趣点应用函数”，据我所知，不，你不应用函数。 所以,

1-不是最大化拉普拉斯算子，但在该算法中，拉普拉斯尺度上的最大化被发现为F[拉普拉斯算子（尺度=x-1）]拉普拉斯算子（尺度=x+1），该点以这种方式被接受为拉普拉斯尺度上的最大值。还可以拒绝值低于定义的阈值的点。拉普拉斯值也定义为标度i和点x的标度； F（标度=i）=σ（i）^2*|（拉普拉斯阶x（x，i）*拉普拉斯阶Y（x，i））|

2-功能？如果我在这里遗漏了一点，请发表评论

3-因为我不知道函数，我也不知道它的最大值

4-高斯和导数是线性函数。所以，通过对高斯函数求导，得到它的拉普拉斯函数，通过滤波器对图像进行简单的卷积，就可以得到图像的对数。但是，如果您认为其他比例不变点检测器对您的情况执行得更快，则可以使用其中许多检测器

是的，这是拉普拉斯式的，但我想我已经回答了最大的困惑

6-如果你不知道缩放，你会得到所有的图像。否则，如果你问到选择图像匹配的缩放和面片大小，这就是缩放匹配。尺度之间的拉普拉斯度量，对于某些值将类似。请看本演示文稿的第一张幻灯片。此外，你们可能想阅读论文中标题为“尺度协变点”的部分。您将在底部找到链接

7-您可以决定缩放空间的限制。在您的程序完成计算您定义的比例（当然检测到点）后，您的程序应该完成。我不是在谈论两个图像和相应的问题，您应该稍后集中讨论

在他们的论文中，他们发现拉普拉斯尺度比三维尺度空间更有效。看另一个问题。你还可以找到他的论文，他在论文中清楚地解释了哈里斯-拉普拉斯检测器

---

我希望这有帮助，祝你好运：）

你有很多问题，但我不会直接回答，因为问题很多。相反，我想说什么是“哈里斯-拉普拉斯”探测器：

K.Mikolajczyk，C.Shmitd“基于尺度不变兴趣点的索引”，ICCV 2001中提到了“Harris-Laplacian”方法

“哈里斯角点探测器”是从1988年开始的一种在图像中查找康德的机制。（这是一个可以调谐的超音速计）。它可以为你提供转角和方向

“拉普拉斯算子”是微分算子，但在计算机视觉中，它可能意味着（询问与你交谈的人）“二维高斯函数的拉普拉斯算子乘以sigma^2”。其中Gausian是用prob的p.d.f形式写成的。理论（我提到它是因为例如e^{-\pi*x^2}的替代形式也很有用，但在概率论中没有使用）。 协方差矩阵是对角的。这是一个很好的高斯函数。在下文中，我将“二维高斯的归一化拉普拉斯函数”称为“L”

例如，在卷积输入图像后，您将得到另一个图像。这种输出称为响应（来自信号处理或信号滤波的术语）

在原始图像中通过Harris检测器估计角点的位置后，通过“卷积”图像与“L”匹配角点中物体的大小，并在“sigma”空间中找到最大响应。这就是名为“Harris-Laplacian”的方法

所以：哈里斯探测器给你一个posi