Opencv 在SIFT/SURF中，层和倍频程之间有什么区别？

我读了劳的两篇论文（'99&'04），我想说我理解其中的大部分。我在youtube上看到了所有与SIFT相关的类，但没有一个明确说明为什么我们要同时使用八度和层

我知道，在同一个八度音阶中，通过~计算不同西格玛的~Laplacian，然后将分辨率重新采样到下一个八度音阶的一半，再~计算与第一个八度音阶相同的西格玛的~Laplacian，可以得到更多的层。然后你想做多少次就做多少次

最初，我认为您可以使用图层（多个SIGMA）在一幅图像上查找不同大小的特征，然后重新采样，以便计算每个特征的每个倍频程（重采样级别）上的描述符，因此，您可以获得不同比例的描述符，这些描述符可能与其他图像中相似比例的描述符更匹配。显然，我错了，每个特征只计算一个描述符，因为它是从梯度方向计算出来的，所以它对比例是不变的

但这让我想知道，为什么我们需要重采样，为什么不能或不应该只使用大量的层和一个倍频程（无重采样）。这仅仅是因为重新取样更便宜吗？如果是，我们为什么不重新取样呢

我用OpenCV做了一个实验，看看是如何检测到的，以及检测到了什么。以下是我的观察结果：

1倍频程，1层=>所有功能都具有完全相同的大小，正如预期的那样，找到263个匹配项

1倍频程，2层=>发现1o1l测试中的所有特征，以及一些比小特征大约x1.35的其他特征，发现326个匹配项

2倍频程，1层=>发现了1o1l测试中的大多数特征（可能全部），加上一些与x2一样大的其他特征，这也是预期的，因为我在一半时重新采样，发现了318个匹配项

2倍频程，2层=>功能具有x1大小、x1.35或x2大小。我找不到任何x2.7的尺寸，正如我预期的那样。仅找到299个匹配项。我想现在有了多个更紧密的层，更多的东西看起来太像了，并且没有通过比率测试，所以更多的层实际上可能会减少连接点的数量

注：~符号表示某种程度的。当我知道它不是确切的解释时，我会使用它，但确切的解释会更长，并且不会给问题增加任何价值