多维空间中的一个点的二阶导数就表示该点梯度下降的快慢。
海森矩阵--Hessian Matrix
在二维图像中,海森矩阵是二维正定矩阵,有两个特征值和对应的两个特征向量。两个特征值表示图像在两个特征向量所指方向上图像变化的各向异性。
很显然,圆具有最强的各项同性,线性越强的结构越具有各向异性。
如果利用特征向量与特征值构成一个椭圆,那么这个椭圆就标注出了图像变化的各向异性。
应用情景:
以二维图像为例,图像中的点性结构具有各项同性,而线性结构具有各向异性。因此我们可以利用海森矩阵对图像中的线性结构进行增强,滤去点状的结构和噪声点。同样,也可以用于找出图像中的点状结构,滤除其他信息。
二值化:二值图像每个像素只有两种取值:要么纯黑,要么纯白;其中最常用的是采用阈值法(Thresholding)进行二值化。
(1)全局阈值:指的是对整个图像中的每一个像素都选用相同的阈值。
(2)局部阈值(自适应阈值):假定图像在一定区域内受到的光照比较接近。它用一个滑窗扫描图像,并取滑窗中心点亮度与滑窗内其他区域(称为邻域, neighborhood area)的亮度进行比较。如果中心点亮度高于邻域亮度*,则将中心点标记为白色,否则标记为黑色。
标准差、方差、协方差概念
协方差:协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。
期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为:
从直观上来看,协方差表示的是两个变量总体误差的期望。
协程类似方差形式:
如果两个变量的变化趋势一致,也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值,那么两个变量之间的协方差就是正值;如果两个变量的变化趋势相反,即其中一个变量大于自身的期望值时另外一个却小于自身的期望值,那么两个变量之间的协方差就是负值。