2.尺度空间的作用
1.用机器视觉系统分析未知场景时，计算机并不预先知道图像中物体的尺度。我们需要同时考虑图像在多尺度下的描述，获知感兴趣物体的最佳尺度。
2.不同的尺度下都有同样的关键点，那么在不同的尺度的输入图像下就都可以检测出来关键点匹配，也就是尺度不变性。
图像的尺度空间表达指的就是图像在所有尺度下的描述。
3.多尺度表示
1.金字塔多分辨率
图像的金字塔化包括两个步骤，首先，图像经过一个低通滤波器进行平滑，然后，对这个平滑图像进行抽样（宽，高为原来的1、2）。
2.多尺度空间
信号的尺度空间有一个重要的特性是通过低通滤波器后，在大尺度上不会引入虚假结构。
两者都能有效地对图像进行多尺度表达，但金字塔多分辨率缺少坚实的理论基础，不能得到图像的最佳尺度，同样也不具有特征的尺度不变性。
后者与前者的主要区别在与，多尺度空间在不同尺度(σ)上有相同的分辨率，即可以理解为，在不同的尺度上图像的大小是相同的。
一幅图像的尺度空间 L(x, y, σ), 定义为原始图像 I(x,y) 与一个可变尺度的2维高斯函数G(x, y, σ)卷积运算。
即尺度空间形式表示为：
高斯尺度空间具有的性质
1.加权平均和有限孔径效应
2.层叠平滑
3.局部极值递减性
4.尺度伸缩不变性
5.多尺度特征匹配
在提取图像的特征时，如果采取固定尺度的特征检测，就会得到偏向该尺寸的检测结果，而漏检很多其他尺度的特征。
为了是不同尺度上图像中相同的特征被检测出，需要在图像的多个尺度上进行检测和匹配。
————————————————
版权声明：本文为CSDN博主「Lindsay.Lu丶」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/ljyljyok/article/details/
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/5795.html