斑點偵測

角點偵測器尋找被兩條交叉邊緣釘住的點，而斑點偵測器則尋找內部大致均勻、且與周圍不同的緊湊區域，例如亮背景上的暗點或陰影中的亮點。想想瓢蟲身上的圓點、顯微鏡載玻片上的細胞，或海綿那種斑塊狀的紋理。斑點有中心和一個特徵大小，因此斑點偵測自然會回傳的不只是位置，還有尺度，這使斑點成為極佳的、具尺度意識的關鍵點。

主力運算子是高斯拉普拉斯（Laplacian of Gaussian, LoG）。拉普拉斯（二階導數之和）對局部強度的峰與谷強烈反應，而事先用標準差為 sigma 的高斯平滑，則調整它對哪種大小的斑點反應。一個給定半徑的斑點，當高斯尺度與該半徑相匹配時會產生最強的 LoG 反應，具體而言是當半徑約為根號二乘以 sigma 時。所以若你在許多尺度上計算 LoG 反應，並尋找同時在空間與尺度上都是極值的點，每個極值就同時給你一個斑點的位置與大小。為了讓不同尺度的反應可比較，拉普拉斯必須做尺度正規化，方法是乘以 sigma 的平方，這個洞見來自 Lindeberg；沒有這個正規化，反應在粗尺度下自然會縮小，斑點大小便無法被選出。

在許多尺度上計算真正的 LoG 代價高昂，因此通常用高斯差（Difference of Gaussians, DoG）來近似：把影像在鄰近兩個尺度下的兩份高斯模糊版本相減。這個差的行為幾乎與尺度正規化的 LoG 完全相同，但每個尺度只花兩次模糊與一次相減，這正是 SIFT 在尺度空間金字塔上以 DoG 建立其關鍵點偵測器的原因。第二種經典方法使用 Hessian 矩陣（二階導數矩陣）的行列式，它同樣具斑點選擇性，並是 SURF 快速盒狀濾波器偵測器的基礎。

斑點偵測器是尺度不變局部特徵的基礎，且在關鍵點之外也被大量使用：在生醫影像中計數細胞或菌落、在天文學中偵測恆星或星系、在文件中尋找文字或符號。一個相關的區域偵測器，最大穩定極值區域（Maximally Stable Extremal Regions, MSER），把斑點狀區域找成在一段強度門檻範圍內都保持穩定的連通分量，在文字偵測中很受歡迎。實務上的陷阱在於選擇尺度範圍：比你尺度取樣小得多或大得多的斑點都會被漏掉，因此尺度範圍與取樣密度是最關鍵的參數。