本文介绍了Jacobian矩阵和梯度向量的概念。Jacobian矩阵用于描述多变量函数向量对自变量向量的变化率，而梯度向量是单变量函数的向量形式。在图像处理中，计算图像的Jacobian矩阵相当于求取图像的梯度，有助于提取图像的边缘特征。
梯度向量
如果目标函数 f f f 为单变量，并且 f f f是关于自变量向量 X = ( x 1 , x 2 , … x n ) T X=(x_1,x_2,\dots x_n)^T X=(x1,x2,…xn)T的函数，即 f ( X ) f(X) f(X),
此时， f f f对向量 X X X求梯度，得到的结果为一个与 X X X同维度的向量，称之为梯度向量,用 g ( x ) g(x) g(x)表示。
g ( x ) = ∇ f ( X ) = ( ∂ f ∂ x 1 , ∂ f ∂ x 2 , … ∂ f ∂ x n ) T g(x)=\nabla f(X)=(\frac {\partial f}{\partial x_1}, \frac {\partial f}{\partial x_2}, \dots \frac {\partial f}{\partial x_n})^T g(x)=∇f(X)=(∂x1∂f,∂x2∂f,…<
最低0.47元/天 解锁文章
扫一扫
952
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
