矩阵 Hessian

最新推荐文章于 2023-05-23 10:06:00 发布

Yzm1987

最新推荐文章于 2023-05-23 10:06:00 发布

阅读量6.5k

点赞数 4

本文链接：https://blog.csdn.net/u010157575/article/details/9424341

版权

本文介绍了Hessian矩阵在图像处理中的应用，如线条中心提取和角点检测。Hessian矩阵用于描述图像的二阶导数，其最大特征值对应线条的法线方向。同时，文章提及矩阵在数学中的作用，特别是线性变换的描述，并讨论了矩阵的相似性和在正交分解、傅里叶变换中的意义。

摘要由CSDN通过智能技术生成

Jacobian相当于一阶导数，Hessian相当于二阶导数。一维函数的导数的motivation是很明显的。二阶导数的零点就是一阶导数的极值点。对于很多应用，我们不仅关心一阶导数的零点（也就是函数的极值点），也关心一阶导数的极值点，比如信号处理中，信号的一阶导数的极值点反映信号变化的最剧烈程度。极值点寻求在编程时不方便，不如找二阶导数的零点。 Jacobian对于标量函数f: Rn-> R1，实际是个向量，这个向量实际上就是函数的梯度gradient。gradient根据Cauchy-Swartz公式，指向的是在某处方向导数取极大值的方向。在二维图像处理中，可用gradient来检测灰度值的边缘。