我对Mikolajczyk等人介绍的Harris-Laplacian-Detector有疑问。使用Harris，您可以在每个特定的比例范围内搜索“角度”的最大值，然后使用拉普拉斯算法搜索“blobness”的最大值，这些比例比找到的Harris点的比例大一个，小一个。
为什么“斑点”在规模上的最大化对角点有如此好的影响？我认为，搜索最大的“角度”（例如，找到最大的哈里斯超过尺度）来找到好的角点要好得多。
答案 0 :(得分：11)
需要包含laplacian以确保尺度不变性。
虽然尺度适应的Harris检测器确实具有非常好的可重复性（就检测位置而言），但是尺度选择仍然是个问题。他们注意到了
在我们的实验中，我们注意到了改编的Harris功能 很少在3D空间中获得最大值。因此，我们建议使用a 不同的函数，拉普拉斯算子，用于尺度最大值检测。
（来自 Indexing based on scale invariant interest points ）
his thesis中详细解释了这一点：
在我们的实验中（参见第3.2.4节）我们注意到了比例 适应哈里斯函数很少达到超过量级的最大值 比例空间表示。如果检测到的兴趣点太少， 图像不能可靠地表示。因此，我们放弃了 搜索Harris函数的3D最大值的想法。而且， 实验表明，LoG功能可以实现最高百分比 找到正确的特征尺度。因此，我们建议 使用拉普拉斯算子选择用于提取的点的比例 哈里斯探测器。 Harris-Laplace探测器使用Harris函数（参见 公式4.1）定位尺度空间每个级别的点 表示。接下来，它选择了哪些点 拉普拉斯高斯（参见方程式4.2）达到最大值 规模。通过这种方式，我们结合这两种方法来获得可靠的方法 兴趣点检测器对于显着的尺度变化不变。
我没有任何直观的解释为什么哈里斯函数没有给出超过尺度的许多最大值，但根据经验，他们发现情况就是如此。看起来没有什么可以阻止你使用Harris标度空间最大值，但你可能只会减少很少的检测。