图像特征之LoG算子与DoG算子

刺骨的言语ヽ痛彻心扉 2022-06-03 04:11 548阅读 0赞

原文站点：[https://senitco.github.io/2017/06/20/image-feature-LoG-DoG/][https_senitco.github.io_2017_06_20_image-feature-LoG-DoG]

LoG(Laplacian of Gaussian)算子和DoG(Difference of Gaussian)算子是图像处理中实现极值点检测(Blob Detection)的两种方法。通过利用高斯函数卷积操作进行尺度变换，可以在不同的尺度空间检测到关键点(Key Point)或兴趣点(Interest Point)，实现尺度不变性(Scale invariance)的特征点检测。

### Laplacian of Gaussian(LoG) ###

Laplace算子通过对图像求取二阶导数的零交叉点(zero-cross)来进行边缘检测，其计算公式如下：

∇2f(x,y)=∂2f∂x2\+∂2f∂y2

由于微分运算对噪声比较敏感，可以先对图像进行高斯平滑滤波，再使用Laplace算子进行边缘检测，以降低噪声的影响。由此便形成了用于极值点检测的LoG算子。常用的二维高斯函数如下：

Gσ(x,y)=12πσ2−−−−√exp(−x2\+y22σ2)

原图像与高斯核函数卷积后再做laplace运算

Δ\[Gσ(x,y)∗f(x,y)\]=\[ΔGσ(x,y)\]∗f(x,y)

LoG=ΔGσ(x,y)=∂2Gσ(x,y)∂x2\+∂2Gσ(x,y)∂y2=x2\+y2−2σ2σ4e−(x2\+y2)/2σ2

所以先对高斯核函数求取二阶导数，再与原图像进行卷积操作。由于高斯函数是圆对称的，因此LoG算子可以有效地实现极值点或局部极值区域的检测。

### Difference of Gaussian(DoG) ###

DoG算子是高斯函数的差分，具体到图像中，就是将图像在不同参数下的高斯滤波结果相减，得到差分图。DoG算子的表达式如下：

DoG=Gσ1−Gσ2=12π−−√\[1σ1e−(x2\+y2)/2σ21−1σ2e−(x2\+y2)/2σ22\]

如果将高斯核函数的形式表示为

Gσ(x,y)=12πσ2exp(−x2\+y22σ2)

则存在以下等式

∂G∂σ=σ∇2G

∂G∂σ≈G(x,y,kσ)−G(x,y,σ)kσ−σ

因此有

G(x,y,kσ)−G(x,y,σ)≈(k−1)σ2∇2G

其中  k−1 是个常数，不影响极值点的检测，LoG算子和DoG算子的函数波形对比如下图所示，由于高斯差分的计算更加简单，因此可用DoG算子近似替代LoG算子

![LoG-DoG.jpg][]

### 边缘检测(Edge Detection)和极值点检测(Blob Detection) ###

LoG算子和DoG算子既可以用于检测图像边缘，也可用于检测局部极值点或极值区域，图像边缘在LoG算子下的响应情况如下图所示，二阶微分算子在边缘处为一过零点，而且过零点两边的最大值(正)和最小值(负)的差值较大。

![edge.jpg][]

接下来观察下图，由边缘过渡到极值点，LoG算子的响应变化

![edge to blob.jpg][]

LoG算子在极值点(Blob)处的响应如下图所示：

![blob.jpg][]

通过定义不同尺寸的高斯核函数，可以实现在不同尺度检测Blob，如下图所示

![scale blob.jpg][]

### 算法流程 ###

*  对原图像进行LoG或者DoG卷积操作
 *  检测卷积后图像中的过零点(边缘)或者极值点(Blob)
 *  如果是检测边缘，则对过零点进行阈值化(过零点两边的最大值和最小值之间的差值要大于某个阈值)；如果是检测极值点，则极值点的LoG或DoG响应值应该大于某个阈值。

### reference ###

*  [http://fourier.eng.hmc.edu/e161/lectures/gradient/node8.html][http_fourier.eng.hmc.edu_e161_lectures_gradient_node8.html]
 *  [http://fourier.eng.hmc.edu/e161/lectures/gradient/node9.html][http_fourier.eng.hmc.edu_e161_lectures_gradient_node9.html]
 *  [http://blog.csdn.net/songzitea/article/details/12851079][http_blog.csdn.net_songzitea_article_details_12851079]
 *  [http://blog.csdn.net/kezunhai/article/details/11579785][http_blog.csdn.net_kezunhai_article_details_11579785]

[https_senitco.github.io_2017_06_20_image-feature-LoG-DoG]: https://senitco.github.io/2017/06/20/image-feature-LoG-DoG/
[LoG-DoG.jpg]: https://i.loli.net/2017/12/18/5a3741bdd1528.jpg
[edge.jpg]: https://ooo.0o0.ooo/2017/06/29/5954d7a6ca776.jpg
[edge to blob.jpg]: https://ooo.0o0.ooo/2017/06/29/5954d7a6cb78d.jpg
[blob.jpg]: https://ooo.0o0.ooo/2017/06/29/5954d7a6c963e.jpg
[scale blob.jpg]: https://ooo.0o0.ooo/2017/06/29/5954d7a6c08d4.jpg
[http_fourier.eng.hmc.edu_e161_lectures_gradient_node8.html]: http://fourier.eng.hmc.edu/e161/lectures/gradient/node8.html
[http_fourier.eng.hmc.edu_e161_lectures_gradient_node9.html]: http://fourier.eng.hmc.edu/e161/lectures/gradient/node9.html
[http_blog.csdn.net_songzitea_article_details_12851079]: http://blog.csdn.net/songzitea/article/details/12851079
[http_blog.csdn.net_kezunhai_article_details_11579785]: http://blog.csdn.net/kezunhai/article/details/11579785