Gaussian Laplacian'daki sigma ile Gaussianların Farkındaki iki sigma arasındaki ilişki nedir?


12

Galakyalı bir Galakyalı filtrenin Gauss Farkı filtresiyle yaklaşıklaştırılabileceğini ve en iyi yaklaşım için iki sigmanın oranının 1: 1.6 olması gerektiğini anlıyorum. Ancak, Gaussian Farkı'ndaki iki sigmanın Gaussian Laplacian için sigma ile nasıl ilişkili olduğundan emin değilim. İlkindeki küçük sigma ikincisinin sigma'sına eşit mi? Daha büyük sigma mı? Yoksa ilişki başka bir şey mi?


> Bir Laplacian-Gaussian filtrenin Gaussian Farkı filtresiyle yaklaşıklaştırılabileceğini ve en iyi yaklaşım için iki sigma oranının 1: 1.6 olması gerektiğini anlıyorum. bunu bildiğin referansla özür dilerim?

Merhaba, bu sorunun buraya uyacağını düşünüyorum - area51.stackexchange.com/proposals/86832/… Toplumu da destekleyecektir. Teşekkür ederim.
Royi

Yanıtlar:


11

Galakyalı bir Galakyalı filtrenin Gauss Farkı filtresiyle yaklaşıklaştırılabileceğini ve en iyi yaklaşım için iki sigmanın oranının 1: 1.6 olması gerektiğini anlıyorum.

Teorik olarak, iki sigma arasındaki oran ne kadar küçükse, yaklaşım o kadar iyi olur. Pratikte, bir noktada sayısal hatalar alırsınız, ancak kayan nokta sayılarını kullandığınız sürece, 1,6'dan küçük değerler size daha iyi bir yaklaşım sağlayacaktır.

Göstermek için, Mathematica'da birkaç k değeri için LoG ve DoG'un bir kesitini çizdim:

resim açıklamasını buraya girin

Gördüğünüz gibi, k = 1.6 ideal bir yaklaşım değildir. Örneğin, k = 1.1 çok daha yakın bir yaklaşım verecektir.

Ancak genellikle bir dizi sigma için LoG yaklaşımlarını hesaplamak istersiniz. (Aksi halde, neden DoG yaklaşımı ile uğraşasınız? Tek bir LoG filtrelenmiş görüntünün hesaplanması, tek bir DoG filtrelenmiş görüntünün hesaplanmasından daha pahalı değildir.) Bu nedenle, genellikle bir dizi gauss filtreli hesaplayabilmeniz için k değeri seçilir. sigmas s, s k, s k ^ 2, s * k ^ 3 ... ile görüntüler ve sonra bitişik gaussians arasındaki farkları hesaplayın. Daha küçük bir k seçerseniz, aynı sigma aralığı için daha fazla gaussian "katmanı" hesaplamanız gerekir. k = 1.6, yakın bir yaklaşım istemek ile çok sayıda farklı gaussian hesaplamak istememek arasındaki bir değiş tokuştur.

Ancak, Gaussian Farkı'ndaki iki sigmanın Gaussian Laplacian için sigma ile nasıl ilişkili olduğundan emin değilim. İlkindeki küçük sigma ikincisinin sigma'sına eşit mi?

t=σ2σ2+Δtσ2ΔtΔt0

σLaplace=σ1+k22


ben yanılıyorsam üzgünüm ama o LOG hesaplanması aslında değil ise DoG daha pahalı. gaussian 2 1D filtreye ayrılabildiğinden, karmaşıklık polinom O (n ^ 2) yerine doğrusal O (2n) olacaktır
user1916182

@ user1916182: Doğru, bir LoG filtresi kendiliğinden ayrılamaz. Ancak bir DoG filtresi de yoktur. Ama ikisisinde meblağlar iki ayrılabilir filtreleri (DoG için farklı skala ile iki Gauss, iki 2. sıra Gauss türev filtreler günlüğü için) ait. Sen bunu bir sonraki ölçek düzeyi için iki Gauss "büyük" kullanabilirsiniz eğer n ölçekleri için n + 1 Gauss hesaplamak zorunda n LoG ölçekler için 2 * n Gauss türev filtreler aksine, DoG ile zaman tasarrufu .
Niki Estner

3

Belki buradaki formüller size yardımcı olabilir.

Ölçek alanı temsili difüzyon denklemini karşıladığından, LoG iki ölçek ölçek alanı arasındaki fark olarak hesaplanabilir.

Bu nedenle, DoG formülünü türetirken, önce sonlu farklarla LoG'ye yaklaşıyoruz. Bence sigma için özgül oran, ilk etapta ölçek olarak bir birim adımın yaklaşık LoG'ye alınması gerçeğinden kaynaklanmaktadır.


Teşekkürler, ama ben zaten onlara baktım. Bana sigma mı yoksa k * sigma'nınt parametresine ( Gauss denkleminin Laplacianı için sigma değeri ile aynı) karşılık gelen değer olup olmadığını söylemiyorlar .
görsel-kinetik

1
Aralarında bir yerde: s <t <k * s. (Y (a) - y (b)) / (ba) arasındaki fark (b - a -> 0 olduğunda) (a + b) / 2'deki türevi yaklaştırdığından. Bununla birlikte, k-> 1 sınırını almadığınız için, bu sadece bir yaklaşık değerdir ve en iyi sigmayı tam olarak saptayamazsınız (belirli bir optimizasyon kriteri belirlemediğiniz sürece).
nimrodm
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.