DoG(Difference of Gaussian)简称：高斯函数的差分，是灰度图像增强和角点检测的一种方法。

    一、理论基础：
    通过对目标图像与高斯函数进行卷积运算得到一幅目标图像的低通滤波结果，此过程称为去噪。
    在某一个尺度上的特征检测可以通过两个相邻的高斯尺度空间的图像相减，得到DoG的响应值图像；
    形式化的表达：
    (1)、对一幅图像f(x, y)进行不同参数的高斯滤波计算，如下图所示：
    DoG算子(特征提取) - 图1
    DoG算子(特征提取) - 图2

    (2)、将滤波得到的结果进行相减得到DoG高斯差分以后的效果图；
    DoG算子(特征提取) - 图3

    在具体的图像处理过程中，就是将两幅不同参数下的高斯滤波结果相减，得到DoG图。

    二、实践过程：
    2.1：原图：
    20170525221824799.png
    2.2：将同一个图像在不同参数下进行高斯滤波计算，并相减，得到三个DoG图像：
    image.png
    一个高斯平滑参数0.3, 一个高斯平滑参数0.4
    image.png
    一个高斯平滑参数0.6, 一个高斯平滑参数0.7
    image.png
    一个高斯平滑参数0.7, 一个高斯平滑参数0.8
    第二步：根据第一步求出的三张DoG， 求出中间f2(x, y)的最大值与最小值点。

    DoG.png
    总结：
    1：上面的四张图（包括原始图）是不同参数下高斯滤波结果的；
    2：对高斯滤波后的图片（相邻状态下）依次进行两两相减可得到右边的三个高斯函数的差分图（简称DOG）。然后根据上面的模型，依次求中间图片每个像素与该像素同尺度的8个相邻点以及上下相邻尺度对应的92共26个点的极值。一个点如果在DOG空间本层以及上下两层的26个领域中是最大值或最小值时，就认为该点是图像在该尺度下的一个特征点。
    image.png
    f2中的所有极值点，黑色表示极小值，白色表示最大值
    最后：*在原始图像上标记出所提取的DOG检测出的特征点；
    image.png