谁提出的高斯差分尺度空间

高斯差分尺度空间（Gaussian Difference Scale Space）是由 Michael J. Black 和 Anil K. Jain 在1997年的论文中提出的。他们在论文中详细介绍了利用高斯差分函数构建尺度空间的方法，并阐述了该方法在图像处理中的应用，特别是在特征检测和匹配中的应用。这个方法被广泛应用于计算机视觉领域的各种任务中，如目标跟踪、图像分割、三维重建等。

相关问题

谁在SURF算法中提出的高斯差分尺度空间

高斯差分尺度空间是由 David Lowe 在他的论文《Distinctive Image Features from Scale-Invariant Keypoints》中提出的。SURF算法是一种基于尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）算法的改进，它的主要贡献是在SIFT算法的基础上引入了高斯差分尺度空间来提高特征点检测的效率和准确性。

尺度空间的高斯差分金字塔的构建过程

尺度空间是对图像的不同尺度下的表示和描述，而高斯差分金字塔则是尺度空间的一种具体实现方式。构建高斯差分金字塔的过程如下：

1. 首先对原始图像进行高斯模糊，得到一系列模糊图像，每个模糊图像对应一个不同的尺度。这一步可以使用高斯滤波器来实现。

2. 对相邻的两个模糊图像进行差分，得到相应尺度的高斯差分图像。可以用下面公式表示：$D(x,y,\sigma) = G(x,y,k\sigma) - G(x,y,\sigma)$，其中$G(x,y,\sigma)$表示标准偏差为$\sigma$的高斯滤波器对图像进行滤波得到的结果，$k$为差分因子，通常取值为1.6。

3. 重复上述步骤，对相邻的高斯差分图像进行差分，得到更高尺度的差分图像。可以用下面公式表示：$D(x,y,\sigma_1,\sigma_2) = G(x,y,\sigma_2) - G(x,y,\sigma_1)$，其中$\sigma_2>\sigma_1$。

4. 构建高斯差分金字塔时，将每个尺度的差分图像保存下来，并且将它们组合成一个金字塔状的结构。在这个金字塔中，每一层都包含了相同尺度的差分图像，而不同层之间的尺度是逐渐递增的。

5. 为了方便后续处理，通常会对差分图像进行下采样（即降低分辨率），得到更小尺寸的图像。这可以用高斯滤波器来实现，也就是将原图像和差分图像分别进行滤波，然后选择其中的一部分像素点来构造更小尺寸的图像。

以上是构建高斯差分金字塔的基本过程，它可以用于图像的尺度空间表达、高斯金字塔等很多相关算法中。