Lowe [4] thấy hiệu suất tăng xấp xỉ Laplacian của Gaussian bởi
một sự khác biệt của Gaussian. Theo cách tương tự, Bay [1] đề xuất một xấp xỉ để
Laplacian của Gaussian bằng cách sử dụng cơ quan đại diện bộ lọc hộp của kernels.Figure tương ứng 2 minh họa sự tương đồng giữa các hạt nhân discretised và cắt và các đối tác lọc hộp của họ. Đáng kể hiệu suất tăng được tìm thấy khi các bộ lọc này được sử dụng kết hợp với hình ảnh không thể thiếu được mô tả trong mục 1.1. Để qauntify sự khác biệt, chúng tôi có thể xem xét các số của mảng truy cập và hoạt động cần thiết trong chập. Đối với một bộ lọc 9 × 9, chúng tôi sẽ yêu cầu 81 mảng truy cập và hoạt động cho các bộ lọc thực có giá trị ban đầu và chỉ 8 cho các đại diện bộ lọc hộp. Khi bộ lọc được tăng kích thước, chi phí tính toán tăng lên đáng kể cho Laplacian gốc trong khi chi phí cho các bộ lọc hộp độc lập với kích thước.
đang được dịch, vui lòng đợi..
