Sift算法-----part2
前言：
在上一個步驟中，我們創建了圖像的尺度空間，即逐步模糊圖片，縮小它然後依次類推。現在，我們將使用模糊的圖片去創建一系列的圖片--高斯差(DOG)。這些DOG對找出圖像的關鍵點十分重要。
高斯--拉普拉斯(Laplacian of Gaussian)算子：
LOG算法的步驟如下：對原始圖像進行模糊，然後，根據該圖像計算出二階導數(Laplacian)。這樣會得出圖像上的邊緣和角點，這些邊緣和角點對找到關鍵點很重要。
但是二階導數對噪點很敏感，模糊可以消除某些噪點是更容易地計算出二階導數。
難度是，計算出所有這些二階導數的時間和空間複雜度均很高，所有我們必須優化他們。
優化方法：
爲了使計算LOG更加迅速，我們使用第一步所創建的尺度空間。我們計算出連續兩個尺度之間的差，也就是DOG，如圖：
這些高斯差接近於LOG，因此我們可以用DOG來代替LOG，這樣的時間複雜度大大降低，太幫了！
另外這些DOG還有另一個非常重要的好處，他能保證尺度不變，great！
對尺度不變的解釋：
LOG並不是尺度不變的，因爲他們取決於你所對圖片進行模糊的程度，可以看看這個高斯公式：
你是否注意到表達式中σ2，這就是尺度，如果我們能夠消除它，我們就能保證尺度的獨立性，如果LOG用下圖的符號表示：
那麼尺度不變的ＬＯＧ的表達式應是這樣：
前面表達式的複雜度被DOG所消除，而且結果圖片中的表達式中已經被乘以了σ2
邊界效應：
如果不考慮邊界效應，你是不能到達上面所述的那種效果的。
現在知道DOG的效果是被乘以σ2，但是同時被乘以了另一個常數K，就是我們在前面討論過的K
正如我們是查找圖片中的最大值和最小值的分佈情況，我們不會檢查圖像中真實值，而是他們的分佈情況，因此k就是一個小case(乘以一個正，常數不會改變最大值和最小值的分佈情況)
總結：
在一個容器中連續的兩張圖片，得到的圖片是兩者之差，連續對每一個容器重複進行這些步驟。
任何疑問或者建議，請在下面留言，你的關注就是我的動力。
