二维信号的极值

      同一维的类似，假定函数 n 阶可微，则其在X0 的一阶 Taylor 级数展开为 f(X)=f(X0)+f'(X0)^T*(X-X0)二阶 Taylor 级数展开为 f(X)=f(X0)+f'(X0)^T*(X-X0)+(X-X0)^T *H*(X-X0) , 其中 f'(X0)为梯度，H 为 Hessian 矩阵 ， 。同一维的情况类似，当梯度 为0时， X0可能得到极大值点，极小值点，或者鞍点。当 H是一个正定矩阵 (definite matrix) 的时候， H 点是极小值点 (pit) ，当 H 是一个负定矩阵 (negative definite matrix) 是， H 点是极大值点 (peak) ，当 H 是一个不定矩阵 (indefinite matrix) 的时候， H 点是鞍点 (saddle) 。
           当 H 是一个半正定矩阵 (semi-definite matrix) 的时候， H 点是谷 (ravine) , 当 H 是一个半负定矩阵 (semi-negative definite matrix) 的时候， H 点是脊 (ridge) . 当 H 永远为正定矩阵 (definite matrix) 的时候，函数 H 称为凸函数 (convex function) . 凸函数的驻点必为最小值点。