基于Hessian矩阵的Steger算法VisualApplets仿真

一、Steger算法原理

Hessian矩阵的2个特征值分别为图像灰度函数的二阶导数的极大值和极小值,所对应的2个特征向量则表示2个极值所取的方向,且相互正交。图像线条边缘法线方向(nx,ny)对应于Hessian矩阵最大绝对特征值的特征向量。

Hessian矩阵表示为:     

                                  H(x,y)=\begin{bmatrix} {r}_x_x& {r}_x_y& \\ {r}_x_y& {r}_y_y& \end{bmatrix}

根据Steger算法令:

                                t=\frac{​{n}_x{r}_x+{n}_y{r}_y}{​{n}^2_x{r}_x_x+2{n}_x{n}_y{r}_x_y+{n}^2_y{r}_y_y}

                

则临近二维图像任意像素点的图像灰度极大或极小点为:

           

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值