尺度空间方法本质上是偏微分方程对图像的作用。尺度空间方法的基本思想是:在图像信息处理过程中引入一个被视为尺度的参数,图像中的物体随着观测尺度不同有不同的表现形态。这种方法通过连续变化尺度参数获得不同尺度下的视觉处理信息,这实际上是在模拟人距离目标由近到远时目标在视网膜上的形成过程。使用这种方法来分析处理图像,更容易抓到图像的本质特征。
尺度空间的生成是用来模拟图像数据的多尺度特征。根据文献[8]我们知道,高斯卷积核是实现尺度变换的唯一线性核。L(x,y,σ)为一幅图像的尺度空间,它可以定义为一个尺度可变的高斯函数G(x,y,σ)与原始图像I(x,y)的卷积:
L(x,y,σ)=G(x,y,σ)*I(x,y) (2.1)
高斯函数表示如下:
(2.2)
其中,(x,y)为图像的像素坐标,σ为尺度坐标,用来衡量图像的平滑程度。σ越大,图像的分辨率越低。
2.1.2 建立DoG金字塔
文献[9]详细讲述了图像金字塔的构造过程。金字塔是图像多尺度的形象表示。其生成的速度比较快,占用的存储空间少,便于对多尺度空间的图像进行处理。