图像处理中的二阶矩矩阵(结构张量)
参考维基百科
二阶矩矩阵,也叫做结构张量,在数学中是由一个函数的梯度计算出来的矩阵。它描述了梯度在某一点的邻域的分布。因此常被用于特征提取。
离散形式的结构张量计算方式为:
S
w
[
p
]
=
[
∑
r
w
[
r
]
(
I
x
[
p
−
r
]
)
2
∑
r
w
[
r
]
I
x
[
p
−
r
]
I
y
[
p
−
r
]
∑
r
w
[
r
]
I
x
[
p
−
r
]
I
y
[
p
−
r
]
∑
r
w
[
r
]
(
I
y
[
p
−
r
]
)
2
]
S_w[p]=\begin{bmatrix}\sum_r{w[r](I_x[p-r])^2} & \sum_r{w[r]I_x[p-r] I_y[p-r]} \\ \sum_r{w[r]I_x[p-r] I_y[p-r]} & \sum_r{w[r](I_y[p-r])^2} \end{bmatrix}
Sw[p]=[∑rw[r](Ix[p−r])2∑rw[r]Ix[p−r]Iy[p−r]∑rw[r]Ix[p−r]Iy[p−r]∑rw[r](Iy[p−r])2]
其中
p
=
(
x
,
y
)
p=(x,y)
p=(x,y)是窗口的中心点,
p
−
r
p-r
p−r通过
r
r
r的变化得以遍历窗口中所有像素。
I
x
[
p
]
,
I
y
[
p
]
I_x[p],I_y[p]
Ix[p],Iy[p]表示在p点x、y方向上的像素梯度值。
w
[
r
]
w[r]
w[r]是窗口权函数,在窗口内合为1。
上面的式子同样可以写成:
S
w
[
p
]
=
∑
r
w
[
r
]
S
0
[
p
−
r
]
S_w[p]=\sum_r{w[r]S_0[p-r]}
Sw[p]=r∑w[r]S0[p−r]
其中
S
0
=
[
(
I
x
[
p
]
)
2
I
x
[
p
]
I
y
[
p
]
I
x
[
p
]
I
y
[
p
]
(
I
y
[
p
]
)
2
]
S_0=\begin{bmatrix}(I_x[p])^2 & I_x[p] I_y[p] \\ I_x[p] I_y[p] &(I_y[p])^2 \end{bmatrix}
S0=[(Ix[p])2Ix[p]Iy[p]Ix[p]Iy[p](Iy[p])2]
S w S_w Sw矩阵的特征值 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2和对应的特征向量 e 1 , e 2 e_1,e_2 e1,e2描述了窗口内梯度的分布情况。例如,当 λ 1 ≫ λ 2 \lambda_1\gg \lambda2 λ1≫λ2时,表示窗口内在 e 1 e_1 e1方向上灰度变化明显,而在 e 2 e_2 e2方向上不如 e 1 e_1 e1变化明显;当 λ 1 = λ 2 = 0 \lambda_1= \lambda2=0 λ1=λ2=0时,表示窗口内无灰度变化。