其他分享
首页 > 其他分享> > 【计算机视觉】Lecture 10:金字塔与尺度空间

【计算机视觉】Lecture 10:金字塔与尺度空间

作者:互联网

回忆

级联高斯
——用较小的高斯重复卷积来模拟较大的高斯卷积的效果。

在这里插入图片描述

结合律

在这里插入图片描述

例子:级联卷积

在这里插入图片描述

在这里插入图片描述

帕斯卡三角形

Aside: Binomial Approximation

旁白:二项式近似

在这里插入图片描述

n = 一维滤波器元素个数-1
r = 滤波卷积核元素所在的位置 (0, 1, 2, …)

观察帕斯卡三角形的奇数行

在这里插入图片描述

[1 2 1]/4 近似 sigma=1/sqrt(2) 的高斯分布

[1 4 6 4 1]/16 近似 sigma=1 的高斯分布

一种生成整数系数高斯分布近似的简便方法

关于级联卷积的更多信息

两个随机变量之和 X+Y 的分布是其两个分布的卷积

给定N个独立分布的随机变量:X1…XN,其和的分布接近高斯分布(即中心极限定理)

因此:(非负)滤波器与自身的重复卷积呈高斯形状。

回忆:在不同尺度上的高斯平滑

在这里插入图片描述在这里插入图片描述在这里插入图片描述

今天的概念:形成一个多分辨率的表示方法

在这里插入图片描述

金字塔 (Pyramid) 表示法

因为大量的平滑 (smoothing,实际上就是低通滤波) 限制了图像中特征的频率,所以我们不需要保留所有像素!

策略:当我们使用平滑越来越多时,逐步减少像素的数量。

如果我们在每一个层上进行子抽样,就会得到一个“金字塔”表示。

高斯金字塔

合成:用高斯算子平滑图像以及进行下采样。重复平滑和下采样。

使用高斯是因为它是自再现的(能够增量平滑)。

顶层是不需要处理的 (for free)。处理代价通常由两个最低层(最高分辨率层)控制。

在这里插入图片描述

强调:图像越小,分辨率越低

在这里插入图片描述

生成高斯金字塔

基本函数:

Blur (卷积高斯来平滑图像,之前已经讨论过了)

在这里插入图片描述

DownSample (将图像大小减少一半)

在这里插入图片描述

Upsample (将图像大小增大一倍)

在这里插入图片描述

下采样

在这里插入图片描述

顺便说一句:除非你之前对图像进行了模糊/平滑处理,否则子采样是个坏主意!(因为它会导致混叠效应aliasing)

详细说明:缩略图

在这里插入图片描述
下采样 (左边) vs 先平滑再下采样 (右边)

在这里插入图片描述

下采样 (左边) vs 先平滑再下采样 (右边)

在这里插入图片描述
下采样 (左边) vs 先平滑再下采样 (右边)

在这里插入图片描述

上采样

在这里插入图片描述

如何填补空值?
插值:

  1. 将空像素初始化设为0
  2. 用高斯滤波器卷积上采样图像!(比如,sigma为1的5*5卷积核)
  3. 必须要乘以4

具体例子

来自 Crowley et.al., “Fast Computation of Characteristic Scale using a Half-Octave Pyramid.” Proc International Workshop
on Cognitive Vision (CogVis), Zurich, Switzerland, 2002.

总体思路:使用[1 4 6 4 1] 卷积核进行级联滤波,以生成每octave两个图像的金字塔(分辨率变化两次)。当我们达到一个完整的octave时,对图像进行下采样。

在这里插入图片描述

每层有效的Sigma

在这里插入图片描述

概念:尺度空间

基本思想:不同的尺度适合描述图像中的不同对象,我们可能无法提前知道正确的尺度/大小。

标签:采样,10,高斯,卷积,平滑,尺度空间,图像,Lecture,高斯分布
来源: https://blog.csdn.net/u010307048/article/details/104648844