ガウスの違い、ガウスのラプラス、メキシカンハットウェーブレットの違いは何ですか？
CVで使用されている3つの手法は非常に似ていますが、微妙な違いがあります。 ガウスのラプラシアン：∇2[g(x,y,t)∗f(x,y)]∇2[g(x,y,t)∗f(x,y)]\nabla^2\left[g(x,y,t)\ast f(x,y)\right] ガウスの差：[g1(x,y,t)∗f(x,y)]−[g2(x,y,t)∗f(x,y)][g1(x,y,t)∗f(x,y)]−[g2(x,y,t)∗f(x,y)] \left[g_1(x,y,t)\ast f(x,y)\right] - \left[g_2(x,y,t)\ast f(x,y)\right] リッカーウェーブレットとの畳み込み：リッカー（x、y、t ）∗ f（x 、y）Ricker(x,y,t)∗f(x,y)\textrm{Ricker}(x,y,t)\ast f(x,y) 私が現在理解しているように：DoGはLoGの近似です。どちらもブロブ検出で使用され、どちらも基本的にバンドパスフィルターとして機能します。メキシカンハット/リッカーウェーブレットを使用した畳み込みでも、ほぼ同じ効果が得られるようです。 私は3つのテクニックすべてをパルス信号に適用しました（マグニチュードを類似させるために必要なスケーリングを使用）、結果はかなり近いです。実際、LoGとRickerはほとんど同じに見えます。私が気付いた唯一の本当の違いは、DoGとの違いです。LoGとRickerではなく、調整する2つの無料パラメーター（と）がありました。また、ウェーブレットが最も簡単/最速であることがわかりました。これは、DoGの場合は1回のたたみ込み（カーネルのFTを使用したフーリエ空間での乗算によって行われる）と、DoGの場合は2回、LoGの場合はコンボリューションとラプラシアンで実行できるためです。 σ 1σ1σ1\sigma_1σ1σ1\sigma_1 各手法の比較の長所/短所は何ですか？ 一方が他方より優れているさまざまなユースケースはありますか？ また、はカーネルとして実装できるため、LoGとRickerは別々のサンプルで同じ操作に縮退すると直観的に考えています。 。[ - 1 、2 、- 1 ]∇2∇2\nabla^2[ − 1 、2 、− 1]または⎡⎣⎢0− 10− 14− 10− 10⎤⎦⎥2D画像用[−1,2,−1]or[0−10−14−10−10]for 2D images\begin{bmatrix}-1,& 2,& -1\end{bmatrix}\quad\text{or}\quad\begin{bmatrix} 0 & -1 & 0 \\ -1 & 4 …