DoG 算子

最新推荐文章于 2024-08-10 20:36:41 发布
转载 最新推荐文章于 2024-08-10 20:36:41 发布 · 1k 阅读 · 1

背景简述

Difference of Gaussian(DOG)是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，即去噪过程，这里的Gaussian和高斯低通滤波器的高斯一样，是一个函数，即为正态分布函数。同时，它对高斯拉普拉斯LoG(博文LOG算子介绍了实现原理)的近似，在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减，得到DoG的响应值图像。

基本理论

首先，高斯函数表示定义为：

其次，两幅图像的高斯滤波表示为：

最后，将上面滤波得到的两幅图像g1和g2相减得到：

即：可以DOG表示为：


在具体图像处理中，就是将两幅图像在不同参数下的高斯滤波结果相减，得到DoG图。具体步骤如下所示:

第一步，计算不同参数下的DOG；

在图1,图2,图3，三种图像给了不同参数下的高斯滤波输出的效果，如下图所示：

图1：一个高斯平滑参数为0.3，另一个高斯平滑参数为0.4

图2：一个高斯平滑参数为0.6，另一个高斯平滑参数为0.7

图3 ：一个高斯平滑参数为0.7，另一个高斯平滑参数为0.8

第二步，根据DOG,求角点。

根据理论：三维图中的最大值和最小值点是角点，如图所示（此图片来源于自网络）：


标记红色当前像素点，绿色的圈标记邻接像素点，用这个方式，最多检测相邻尺度的26个像素点。如果它是所有邻接像素点的最大值或最小值点，则标记红色被标记为特征点，如此依次进行，则可以完成图像的特征点提取。

因此在第一步后，我们可以计算出的图1,图2,图3三个DOG图中求图2中是极值的点，如下图所示：

图5：黑色为极小值，白色为极大值

因此，原始图像上以显示的DOG角点检测结果，如下图所示：


参考资料

[1] Difference of Gaussian(DOG) http://fourier.eng.hmc.edu/e161/lectures/gradient/node10.html.

[2] Difference of Gaussian From Wikipedia, the free encyclopedia.

[3] Rafael C.Gonzalez, Rechard E.Woods at. el , "Digital Image Processing Using MatLab (Second Editon)",Gatesamark Publishing.
DOG算子
松子茶的专栏
11-10 2万+
Difference of Gaussian(DOG)是高斯函数的差分。它是可以通过将图像与高斯函数进行卷积得到一幅图像的低通滤波结果，即去噪过程，这里的Gaussian和高斯低通滤波器的高斯一样，是一个函数，即为正态分布函数。同时，它对高斯拉普拉斯LoG(博文【特征提取】LOG算子介绍了实现原理)的近似，在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减，得到DoG的响应值图像。在具体图像处理中，就是将两幅图像在不同参数下的高斯滤波结果相减，得到DoG图。具体步骤:第一步，计算不同参数下的DO
DOG算子--------的特征提取（二）
热门推荐
李丽的博客
05-25 2万+
DOG（Difference of Guassian）：简称  高斯函数的差分，是灰度图像增强和角点检测的一种方法。                  （一）理论基础：        下面详细介绍DOG的角点检测（也称特征点提取）的理论过程：   首先，通过将目标图像与高斯函数进行卷积运算得到一幅目标图像的低通滤波结果，此过程称为去燥。（注：这里的Gaussian和高斯低通滤波器的高斯是一
图像处理特征不变算子系列之DoG算子（五）
Belial计算机视觉&机器视觉专栏
09-12 1万+
本文在前续介绍的Moravec、Harris、SUSAN以及FAST特征点检测算法的基础上，介绍了高斯差分算子DoG。在介绍DoG之前，介绍了尺度空间以及拉普拉斯金字塔以及其他的相关知识；接着对DoG算子的详细过程进行了分析，包括高斯金字塔的构建、DoG的计算以及特征点的求法。
DOG算子实现
taifyang的博客
06-13 460
原理： 实现： void dog(Mat& src, Mat& dst, Size size, double sigma, double k = 1.6) { Mat gaussian_dst1, gaussian_dst2; GaussianBlur(src, gaussian_dst1, size, k*sigma); GaussianBlur(src, gaussian_dst2, size, sigma); dst = gaussian_dst1 - gaussian_ds
DoG算子和LoG算子
小白的博客
11-12 1万+
DoG(Difference of Gaussian)算子和LoG(Laplacian of Gaussian)算子是常用的极值点检测(Blob Detection)两种方法，高斯卷积是为了进行尺度变换，那么LapLacian呢。 因此这里首先引入LapLacian算子。 图像边缘检测 因此进行边缘检测有两种方法。 一阶导数的极值 梯度算子定义为：G(x,y)=∇xf(x,y)2+∇yf...
Dog_2_dog_matlab_DOG算子_特征提取_
10-03
本资源围绕“Dog_2_dog_matlab_DOG算子_特征提取_”主题，提供了使用MATLAB实现DOG（Difference of Gaussians）算子进行特征检测的方法。MATLAB是一种广泛使用的编程环境，尤其在科学计算和工程应用中非常流行，而...
dog算子matlab代码-Example-Seismology-Code:与我分享了此代码，作为如何用Python编写代码的示例
05-25
"Dog算子"，全称为Difference of Gaussian（高斯差分算子），是一种在图像处理领域广泛应用的边缘检测算法。这个MATLAB代码示例可能是为了展示如何在地震学中使用Dog算子进行信号分析，特别是在数据处理和图像可视化...
DoG.zip_DOG算子_DoG算子 matlab_headed2qs_site:www.pudn.com_图像处理DOG
07-14
**DoG算子详解** DoG（Difference of Gaussians）算子是计算机视觉和图像处理领域中一个重要的边缘检测和特征提取工具。该算子基于高斯滤波器的特性，通过比较不同尺度下的高斯模糊图像来检测图像中的边缘和特征点...
Laplacian算子-Log算子-Dog算子边缘检测原理合集及实现
生活需要深度
08-10 1364
因为在一个很暗的区域内，很亮的点和其周围的点属于差异比较大的点，在图像上，反映到差异大，其实说的就是这个亮点与周围点的pixel在数值上的差距。同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。这种简单的锐化方法既可以产生拉普拉斯锐化处理的效果，同时又能保留背景信息，将原始图像叠加到拉普拉斯变换的处理结果中去，可以使图像中的各灰度值得到保留，使灰度突变处的对比度得到增强，最终结果是在保留图像背景的前提下，突现出图像中小的细节信息。
Dog&LoG.rar_DOG算子_LoG DoG_LoG DoG_金字塔 图像融合
09-23
标题中的“Dog&LoG.rar_DOG算子_LoG DoG_LoG DoG_金字塔 图像融合”提到了两个关键概念：DOG（Difference of Gaussian）算子和LoG（Laplacian of Gaussian）算子，以及它们在图像金字塔和图像融合中的应用。...
利用DOG算子实现图像特征提取中的角点检测
03-27
利用DOG算子实现角点检测，matlab源码，注释详实，有参考的算法讲解网站链接。如果有问题可以在评论区讨论留言，我会尽力解答。
[传统图像处理]-------DOG算子(高斯差分算子)和高斯模糊
ZJE
06-01 1万+
一，DOG算子的作用: DOG(Difference of Gaussian)意为高斯函数的差分。是灰度图像增强和角点检测的一种方法。 二、高斯模糊 由于DOG是利用高斯模糊（也叫高斯平滑）实现的，所以有必要先讲一下高斯模糊是什么： 对于一个图像而言，如果某个像素点跟一个卷积核进行卷积，如下图的，卷积核的尺寸为3x3，且中心点为1，其余为0，则卷积的前后图像是一样的。原因是当前像素点的值，只跟这一点本身有关(且权重为1)，跟周边点无关，所以卷积前后都是一样的。 那么如果卷积核不是这样的呢？是符
dog log 算子_log算子和dog算子
weixin_42506911的博客
02-15 462
再作二次微分,通常采用高 斯函数作平滑滤波,故有LOG(LaplaceofGaussian)算子。还可 以在实现时用两个不同参数的高斯函数的差DOG(Differenceof 各种边缘检测......极大值和 Laplacian-of-Gaussian.尺度空间极大值, DoG 检测近似, 与 但是在...算子为 4×4×8=128 维 2)Gradient location-orientatio...
LoG、DoG算子--边缘检测算子（噪声不敏感）
洛的博客
11-12 4196
1、LoG算子 Laplace算子是一种优秀的边缘检测算子，通过对图像求二阶导数，然后通过二阶导数的0交叉点来实现边缘检测。因为Laplace算子对噪声敏感，故可在进行Laplace计算之前用高斯滤波来进行降噪处理，这样就形成了拉普拉斯高斯算子LoG(Laplace of Gaussian) 2、DoG算子 DoG算子是LoG的一种近似 3、注意 实际编程中不能直接使用上诉算子得到...
Dog算子近似Log算子原理
azhuazhu的专栏
01-31 449
Dog算子近似Log算子原理
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
youcans的博客
04-14 3078
高斯差分算子 DoG是两个不同尺度的高斯滤波器之差，可以实现 LoG 算子的近似。 DoG 算子不仅实现简单、计算速度快，而且对噪声、尺度、仿射变化和旋转等具有很强的鲁棒性，能够提供丰富的局部特征信息。 在某一尺度上的特征检测可以通过对两个相邻高斯尺度空间的图像相减来实现。
OpenCV 笔记(11)：常用的边缘检测算子—— DoG
Java与Android技术栈
12-15 941
Part11. DoG 算子DoG(Difference of Gaussians)高斯差分是计算机视觉中一种用于图像增强和角点检测的算子。它是将两个不同尺度的高斯模糊图像进行差分得到的。高斯模糊可以平滑图像中的噪声和细节，而差分可以突出图像中的边缘和角点。DoG 算子利用这两个特性，在保留图像边缘和角点的同时，去除噪声和细节。DoG 在图像处理领域有着广泛的应用，例如：图像增强角点检测边缘检测...
图像特征提取之DoG算子
Aoulun的博客
06-29 7158
DoG（Difference of Gaussian）算法主要用于角点的检测，在SIFT算法中，也要用到DoG算法。所以，DoG可以是一个基本的算法。受限于专业特点，知识结构，以及实际应用场合，本文并不会去详细的推导DoG算法的合理性，更多的偏重于算法的实现过程。本文也不会贴代码，因为算法的过程说明白了，按照算法的过程逻辑一步一步的编写代码是很容易的事情（并不要求去优化等等）。 关注...
用torch实现dog算子
最新发布
05-23
### 使用 PyTorch 实现 Difference of Gaussians (DoG) 算子 Difference of Gaussians (DoG) 是一种常用的边缘检测方法，它通过对同一图像应用两个不同尺度的高斯模糊，然后计算两者的差值来突出图像中的边缘信息。以下是基于 PyTorch 的 DoG 算子实现： #### 高斯核生成函数 为了实现 DoG，首先需要定义一个用于生成高斯核的函数。 ```python import torch import torch.nn.functional as F from math import pi def gaussian_kernel(size, sigma): """ Generate a Gaussian kernel. Args: size (int): The size of the kernel (size x size). sigma (float): Standard deviation of the Gaussian distribution. Returns: Tensor: A normalized Gaussian kernel tensor. """ ax = torch.linspace(-(size // 2), size // 2, steps=size) xx, yy = torch.meshgrid(ax, ax, indexing='ij') kernel = torch.exp(-0.5 * (xx ** 2 + yy ** 2) / sigma ** 2) kernel /= kernel.sum() # Normalize the kernel return kernel.unsqueeze(0).unsqueeze(0) # Add batch and channel dimensions ``` #### 应用高斯模糊 接下来，我们编写一个函数用来对输入张量施加高斯模糊操作。 ```python def apply_gaussian_blur(input_tensor, kernel_size, sigma): """ Apply Gaussian blur to an input tensor using convolution with a Gaussian kernel. Args: input_tensor (Tensor): Input image tensor (BxCxHxW). kernel_size (int): Size of the Gaussian kernel. sigma (float): Sigma value for the Gaussian kernel. Returns: Tensor: Blurred image tensor. """ device = input_tensor.device channels = input_tensor.size(1) # Create Gaussian kernel kernel = gaussian_kernel(kernel_size, sigma).to(device=device) kernel = kernel.expand(channels, -1, -1, -1) # Expand for multiple channels # Pad the input tensor to preserve spatial dimensions after convolution padding = kernel_size // 2 blurred = F.conv2d(F.pad(input_tensor, pad=(padding, padding, padding, padding), mode='replicate'), weight=kernel, groups=channels) return blurred ``` #### 差分高斯算子 最后，我们将上述功能组合起来，完成 DoG 的实现。 ```python def difference_of_gaussians(input_tensor, kernel_size_1, sigma_1, kernel_size_2, sigma_2): """ Compute the Difference of Gaussians (DoG). Args: input_tensor (Tensor): Input image tensor (BxCxHxW). kernel_size_1 (int): Kernel size for the first Gaussian blur. sigma_1 (float): Sigma for the first Gaussian blur. kernel_size_2 (int): Kernel size for the second Gaussian blur. sigma_2 (float): Sigma for the second Gaussian blur. Returns: Tensor: Resulting DoG tensor. """ blurred_1 = apply_gaussian_blur(input_tensor, kernel_size_1, sigma_1) blurred_2 = apply_gaussian_blur(input_tensor, kernel_size_2, sigma_2) dog_result = blurred_1 - blurred_2 return dog_result ``` 以上代码实现了完整的 DoG 流程，其中 `difference_of_gaussians` 函数接受两张不同的高斯模糊参数，并返回它们之间的差值[^4]。 --- ### 示例调用 假设有一个随机生成的 RGB 图像张量 `(batch_size=1, channels=3, height=64, width=64)`，可以这样使用上面的函数： ```python input_image = torch.randn(1, 3, 64, 64) # Example input tensor dog_output = difference_of_gaussians( input_image, kernel_size_1=5, sigma_1=1.0, kernel_size_2=9, sigma_2=2.0 ) print(dog_output.shape) # Output shape should be same as input: [1, 3, 64, 64] ``` 此代码片段展示了如何利用自定义的高斯核大小和标准差来生成 DoG 结果[^5]。 --- ### 注意事项 - 输入张量应具有形状 `[BatchSize, Channels, Height, Width]`。 - 如果希望保持输出尺寸不变，则需适当调整卷积层的填充方式（如本例中使用的 `'replicate'` 填充模式）。 - 参数的选择会影响最终的结果质量；通常较大的 `sigma` 对应更平滑的效果，而较小的 `sigma` 则能更好地捕捉细小结构[^6]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值