3.2　尺度空间方法

尺度空间方法改进了传统的单一尺度的图像处理方式,在视觉信息处理过程中引入连续变化的尺度参数以获得不同尺度下的视觉信息的处理结果,这些连续尺度变化的层次图像构成的动态分析框架,往往更容易获得图像的本质特征,这就是尺度空间方法的基本思想。

视觉信息处理的各种不同的尺度空间方法源于图像处理中的高斯滤波模型,它恰好为热扩散方程的解[65],由高斯滤波人们将尺度空间与偏微分方程联系起来,并逐渐发展形成了四类尺度空间方法:线性尺度空间[66,67]、非线性尺度空间[68,69]、形尺度空间[70,71]和数学形态学尺度空间[68,72]。当前国内外学者应用的众多视觉多尺度分析方法基本上都属于四类尺度空间之一。例如,Mumford-Shah泛函[72]或者主动轮廓[73]模型属于非线性偏微分方程类,也就是非线性尺度空间方法,而Snakes算法[71,74]是一种由曲线演化的算法,属于一种形尺度空间算法等等。