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 x0 为球心半径为1的球形邻域 Nx 。通过 H0 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 λk 表示第k小的特征值( |λ1|<=|λ2|<=|λ3| )。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。……