Diferencia de gaussianas
En la ciencia de la imagen , la diferencia de gaussianos ( DoG ) es un algoritmo de mejora de características que implica la sustracción de una versión borrosa gaussiana de una imagen original de otra versión menos borrosa del original. En el caso simple de imágenes en escala de grises , las imágenes borrosas se obtienen convolucionando las imágenes originales en escala de grises con núcleos gaussianos que tienen diferentes anchos (desviaciones estándar). Al desenfocar una imagen usando un núcleo gaussiano , solo se suprimen los efectos espaciales de alta frecuencia.información. Restar una imagen de la otra conserva la información espacial que se encuentra entre el rango de frecuencias que se conservan en las dos imágenes borrosas. Por lo tanto, el DoG es un filtro de paso de banda espacial que atenúa las frecuencias en la imagen original en escala de grises que están lejos del centro de la banda. [1]
La diferencia de Gaussianas (DoG) de la imagen es la función
obtenido restando la imagen convolucionada con la gaussiana de varianza de la imagen convolucionada con una gaussiana de varianza más estrecha , con . En una dimensión, se define como:
que representa una imagen contorneada a la diferencia de dos gaussianas, que se aproxima a una función de sombrero mexicano .
La relación entre la diferencia del operador gaussiano y el laplaciano del operador gaussiano (la wavelet del sombrero mexicano ) se explica en el apéndice A en Lindeberg (2015). [2]
Como algoritmo de mejora de funciones , la diferencia de gaussianas se puede utilizar para aumentar la visibilidad de los bordes y otros detalles presentes en una imagen digital. Una amplia variedad de filtros de nitidez de bordes alternativos funcionan mejorando los detalles de alta frecuencia, pero debido a que el ruido aleatorio también tiene una frecuencia espacial alta, muchos de estos filtros de nitidez tienden a mejorar el ruido, lo que puede ser un artefacto no deseado. La diferencia del algoritmo gaussiano elimina los detalles de alta frecuencia que a menudo incluyen ruido aleatorio, lo que convierte a este enfoque en uno de los más adecuados para procesar imágenes con un alto grado de ruido. Un inconveniente importante de la aplicación del algoritmo es una reducción inherente en el contraste general de la imagen producido por la operación. [1]
