Apa hubungan antara sigma di Laplacian of Gaussian dan dua sigma dalam Perbedaan of Gaussians?


12

Saya mengerti bahwa filter Laplacian-of-Gaussian dapat didekati dengan filter Difference-of-Gaussians, dan bahwa rasio dari dua sigma untuk yang terakhir harus 1: 1,6 untuk perkiraan terbaik. Namun, saya tidak yakin bagaimana dua sigma di Perbedaan Gaussi berhubungan dengan sigma untuk Laplacian of Gaussian. Apakah sigma yang lebih kecil pada yang pertama sama dengan sigma yang kedua? Apakah sigma yang lebih besar? Atau hubungan yang lain?


> Saya mengerti bahwa filter Laplacian-of-Gaussian dapat didekati dengan filter Difference-of-Gaussians, dan bahwa rasio dari dua sigma untuk yang terakhir harus 1: 1,6 untuk perkiraan terbaik. maaf dengan referensi apa Anda tahu ini?

Hai, saya pikir pertanyaan ini cocok di sini - area51.stackexchange.com/proposals/86832/… Ini juga akan mendukung komunitas. Terima kasih.
Royi

Jawaban:


10

Saya mengerti bahwa filter Laplacian-of-Gaussian dapat didekati dengan filter Difference-of-Gaussians, dan bahwa rasio dari dua sigma untuk yang terakhir harus 1: 1,6 untuk perkiraan terbaik

Secara teori, semakin kecil rasio antara dua sigma, semakin baik aproksimasi. Dalam praktiknya, Anda akan mendapatkan kesalahan numerik di beberapa titik, tetapi selama Anda menggunakan angka floating point, nilai yang lebih kecil dari 1,6 akan memberi Anda perkiraan yang lebih baik.

Sebagai ilustrasi, saya telah merencanakan penampang LoG dan DoG untuk beberapa nilai k di Mathematica:

masukkan deskripsi gambar di sini

Seperti yang Anda lihat, k = 1.6 bukanlah perkiraan yang ideal. Sebagai contoh, k = 1.1 akan memberikan perkiraan yang lebih dekat.

Tetapi Anda biasanya ingin menghitung perkiraan LoG untuk berbagai sigma. (Kalau tidak, mengapa repot-repot dengan perkiraan DoG sama sekali? Menghitung satu gambar LoG yang difilter tidak lebih mahal daripada menghitung gambar DoG tunggal yang disaring.) Jadi nilai k biasanya dipilih sehingga Anda dapat menghitung serangkaian gaussian yang difilter gambar dengan sigma s, s k, s k ^ 2, s * k ^ 3 ..., dan kemudian menghitung perbedaan antara gaussians yang berdekatan. Jadi jika Anda memilih k yang lebih kecil, Anda harus menghitung lebih banyak "lapisan" gaussians untuk rentang sigma yang sama. k = 1.6 adalah trade-off antara menginginkan perkiraan dekat dan tidak ingin menghitung terlalu banyak gaussians berbeda.

Namun, saya tidak yakin bagaimana dua sigma dalam Perbedaan Gaussi berhubungan dengan sigma untuk Laplacian of Gaussian. Apakah sigma yang lebih kecil pada yang pertama sama dengan sigma yang kedua?

t=σ2σ2+Δtσ2ΔtΔt0

σLaplace=σ1+k22


aku minta maaf jika aku salah, tapi bukan yang menghitung LoG sebenarnya adalah lebih mahal daripada DoG. karena gaussian dapat dipisahkan menjadi 2 filter 1D, artinya kompleksitasnya akan linier O (2n) daripada polinomial O (n ^ 2)
user1916182

@ user1916182: Benar, filter LoG tidak dapat dipisahkan, per se. Tetapi tidak ada filter DoG. Tetapi keduanya adalah jumlah dari dua filter yang dapat dipisahkan (dua gaussians dengan skala berbeda untuk DoG, dua filter turunan gaussian orde kedua untuk LoG). Anda lakukan menghemat waktu dengan DoG jika Anda dapat menggunakan "lebih besar" dari dua gaussians untuk tingkat skala berikutnya, sehingga Anda harus menghitung n + 1 gaussians untuk n timbangan, berbeda dengan 2 * n filter derivatif gaussian untuk n timbangan LoG .
Niki Estner

3

Mungkin formula di sini dapat membantu Anda.

Karena representasi ruang skala memenuhi persamaan difusi, LoG dapat dihitung sebagai perbedaan antara dua irisan ruang skala.

Oleh karena itu, ketika menurunkan formula DoG, pertama-tama kita memperkirakan LoG dengan perbedaan hingga. Saya pikir rasio spesifik untuk sigma berasal dari fakta langkah unit dalam skala diambil untuk mendekati LoG di tempat pertama.


Terima kasih, tapi saya sudah melihatnya. Mereka sepertinya tidak memberi tahu saya apakah sigma atau k * sigma adalah nilai yang sesuai dengan parameter t (yang sama dengan nilai sigma untuk persamaan Laplacian of Gaussian).
visual-kinetic

1
Di suatu tempat di antara: s <t <k * s. Karena perbedaan (y (a) - y (b)) / (ba) mendekati (ketika b - a -> 0) turunannya pada (a + b) / 2. Namun, karena Anda tidak mengambil batas k-> 1, ini hanya perkiraan dan Anda tidak dapat benar-benar menunjukkan sigma terbaik (kecuali Anda menentukan kriteria optimasi tertentu).
nimrodm
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.