一、尺度不变性

1.1 尺度不变性

找到一个函数，实现尺度的选择特性。

1.2 高斯偏导模版求边缘

1.3 高斯二阶导

用二阶过零点检测边缘

高斯二阶导有两个参数：方差和窗宽（给定方差可以算出窗宽）

当图像与二阶导高斯滤波核能匹配的时候，能产生一个极大值

准备一堆模版上去卷积，看看哪个能产生最大响应，但是随着信号变化发生了信号衰减

高斯偏导核

信号的总面积：随着方差的变大，会越来越小（权值求和不是1）？

解决：所以乘以σ，消去后进行补偿

对于拉普拉斯乘以

下图中的信号应该选择σ=8的高斯模版

二、高斯二阶导

要有最大响应

 信号宽度与零平面垂直，卷积结果越大（面积越大）越合适

零平面的圆的方程，圆的半径就是尺度 

三、不同的尺度去卷积

变换高斯二阶导的核（选择不同的σ去卷积），响应最大的点（σ=4.8左右），

每一个尺度有一个图像
看具体的一个像素点在图像中的变化
每三个尺度进行比较，只和上下尺度进行比较，找出极值（绘画出很多圆）？
解决：非最大化抑制（在所有里面最大）

四、Harris和Laplacian结合

五、SIFT特征

详细讲解：

https://medium.com/@deepanshut041/introduction-to-sift-scale-invariant-feature-transform-65d7f3a72d40

 DOG 两个高斯差分

 图片在不同尺度空间里的极值就是图片中的特征点