图像金字塔除了sift算法之外还有什么应用？
12 个回答
尺度空间的目的是『见森林又能见树木』，墨迹一点的解释就是，在低尺度下可以看清楚很多细节，在高尺度下可以看到轮廓。
在目标检测领域，图像中的物体通常很可能是远近不一，大小不一的，可以利用金字塔来检测不同尺度下的物体。但同时你也可以使用不同大小的sliding window在原图上做检测。
在SIFT提取的时候，因为template上的局部特征跟目标图像上的实际特征可能存在尺度上的差异，使用尺度空间是为了达到『尺度不变性』。我觉得前不久出来的DSP-SIFT其实也是进一步利用尺度空间来构造更强的descriptor的例子。
在一些边缘检测算法里面，为了忽略比较弱的边，也会利用尺度空间来进行降采样（对，高斯滤波大部分时候被理解成某种去噪/平滑操作，其实也是尺度空间思想）。
在一些基于特征的分类和识别问题里面，也有尺度空间的影子。比如基于高维LBP的人脸识别，其中LBP直方图的提取方式就蕴含有尺度空间的思想。
尺度空间的想法其实非常直观（当然证明它为什么那样构造可能会比较费事），但是因为尺度空间的构造和操作往往也是算法里面比较费时的地方，所以针对性的优化也应该说一下。
比如前面说的目标检测，有些情况下目标的变化尺度范围实际上是非常有限的，此时应该适当的设定尺度的数量，来减少不必要的计算量。比如你可以只降采样三次，你也可以降采样八次，去最上面的三个尺度。后者的好处是……快。
比如OpenCV里SIFT的实现默认是上采样一次，降采样至无法再缩小为止。很多时候你其实不需要这么精细的特征点或这么high level的特征点，也许稍微改一下参数就可以优化一些速度回来。这里也需要提一下SURF的反向模拟尺度空间的思路，跟上面提到的高维LBP的思路如出一辙。
在点特征里面，有时候你希望你的点在整个尺度空间里都是很强的，不是那种在最开始还是一个比较强的特征点，尺度高了之后这个特征点就消失了。你希望你只处理那些从始至终都比较坚挺的特征点，那你就可以在金字塔的顶层提取特征点，然后只是在下面的层进行局部搜索验证……这样你可以一边提取着非常鲁棒的descriptor，一边还快如闪电……
视觉里面很多看似直观且简单的东西往往有层出不穷用法，除了这金字塔，还有比如直方图，比如二值化，比如卷积，比如积分图，比如距离变换……等等等等。虽然都不是什么高级的东西，一但用到巧处，也耐人寻味啊。
