多尺度血管增强滤波

page3：

• Hessian矩阵特征值分解的意义是提取主要方向，图像的局部二阶结构可以在这些主要方向中被分解。因为这些主要方向直接给出了最小曲率方向（沿着血管），就避免了多方向上的多次滤波。后者不但计算量大并且需要方向空间的离散化。

---

• 通过分析等式（4）-（6）可以得到一个很好的几何解释。特征值分解提取了三个正交的方向，当通过Hessian矩阵映射时它们是尺度因子不变的。特别地，一个以$x_0$为球心半径为1的球形邻域$N_x$。通过$H_0$映射后变成了一个椭圆体，该椭圆体的轴线沿着Hessian矩阵特征向量的方向，相应的半轴长等于各自特征值的大小。
• 这个椭圆体在局部范围内描述了图像的二阶结构（因此我们创造了如图1的二阶椭圆体），并且可以把它作为设计几何相识度度量的一个直观工具。
• 在文章剩下的部分$λ_k$ 表示第k小的特征值（$|λ_1|<=|λ_2|<=|λ_3|$）。在此假设下，表1总结了用来检测不同结构的Hessian矩阵的特征值之间的关系。……