我有一个关于 Mikolajczyk 等人介绍的 Harris-Laplacian-Detector 的问题。使用 Harris，您可以在每个特定尺度内搜索“角落”的最大值，然后使用 Laplacian，您可以在比已找到的 Harris 点的尺度大一个和小一个的尺度上搜索“blobness”的最大值。
为什么“斑点”的最大化对角点有如此好的效果？我会假设，最好搜索最大的“角落”（例如，找到最大的哈里斯在尺度上）找到好的角落点。
【问题讨论】：
标签： image-processing computer-vision feature-detection
需要包含拉普拉斯算子以确保尺度不变性。
虽然适应尺度的 Harris 检测器确实具有非常好的可重复性（就检测位置而言），但尺度选择仍然是一个问题。他们注意到了
在我们的实验中，我们注意到适应的 Harris 函数 很少在 3D 空间中达到最大值。因此，我们建议使用一个 用于尺度最大值检测的不同函数，拉普拉斯算子。
（来自Indexing based on scale invariant interest points）
这在his thesis中有更详细的解释：
在我们的实验中（参见第 3.2.4 节）我们注意到规模 适应的哈里斯函数很少在一个尺度上达到最大值 尺度空间表示。如果检测到的兴趣点太少， 图像不能可靠地表示。因此，我们放弃了 搜索 Harris 函数的 3D 最大值的想法。此外，该 实验表明，LoG 函数能够实现最高百分比的 找到正确的特征量表。因此，我们建议 使用拉普拉斯算子选择用 哈里斯探测器。哈里斯-拉普拉斯检测器使用哈里斯函数（cf. 等式 4.1）在尺度空间的每个级别中定位点 表示。接下来，它选择点， 高斯拉普拉斯算子（参见方程 4.2）达到最大值 规模。通过这种方式，我们将这两种方法结合起来，以获得可靠的 兴趣点检测器不受显着尺度变化的影响。
我没有任何直观的解释来解释为什么 Harris 函数在尺度上没有给出很多最大值，但根据经验，他们发现情况确实如此。看起来没有什么能阻止您使用 Harris 尺度空间最大值，但您可能只会得到更少的检测。
【讨论】：