使用比例空间表示来过滤一幅图像

Question

目前，我希望使用比例空间表示来过滤一幅图像。一幅图像中的特征可以使用带有一个最优σ的高斯平滑滤波器进行滤波。这意味着在尺度空间表示下，一幅图像中的不同特征可以在不同的尺度上得到最好的表达。

例如，我有一个图像，其中有一棵树。在尺度空间表示中，使用了三个西格玛值，它们被表示为sigma0、sigma1和sigma2。地面最好用sigma0平滑的图像来表示，因为它主要包含纹理。分支最好用sigma1的平滑图像来表示，主干用sigma2表示更平滑。如果我希望过滤图像，我希望被过滤的像素组是从平滑的图像与sigma0。这些分支的滤波像素来自使用sigma1平滑的图像。主干的滤波像素来自使用sigma2平滑的图像。

它要求我需要确定哪一个平滑的图像，一个像素是最好的表达。这个想法可信吗？我试图使用两个连续平滑图像的高斯差来执行上述任务。还有其他方法来组合这三个平滑的图像吗？

我用Matlab实现了这一思想。三个西格玛的值分别为1.0、2.0和3.0。高斯核的对应大小分别为3、5和7。参数合理吗？请分享您的经验与比例空间代表，以帮助我。您可以提供一些链接到有用的论文。

Answer 1

你的想法很有道理！你离它只有一步之遥。我曾经做过类似的事情，看起来是这样的：

在平滑您的图像并为每个平滑步骤提取边缘之后(在Gauss滤波Sobel滤波器之后，我使用了加权来补偿maxima抑制，因为对于我的应用来说，狗是不太稳定的)，您可以将整个图像叠加成包含特征边缘的单一图像(“累积边缘”)。然后，您可以将累积边缘图像(使用交叉相关或任何您希望的)与边缘堆栈中的每一幅图像进行比较，这种比较的最大值是像素最优表达的平滑尺度。

希望这对你读了几遍以后是有意义的。

也不要害怕使用更大的内核大小，虽然这都取决于您的应用程序，我最终使用了51和更大的东西！(当时正在处理40 was图像.)

与这个问题有关的是几十篇论文。我发现这一个是最有用的，但是既然你已经在正确的轨道上，我不认为阅读50页会让你更聪明。其中最重要的部分也许是这个：

尺度选择的原理:在没有其他证据的情况下，假定一个尺度水平，在这个尺度水平上，一些归一化导数(可能是非线性的)组合在尺度上具有局部最大值，可以被视为反映数据中相应结构的特征长度。