牛顿法与Hessian矩阵

牛顿法 主要有两方面的应用：

1.求方程的根；

2.求解最优化方法；

一. 为什么要用牛顿法求方程的根？

问题很多，牛顿法 是什么？目前还没有讲清楚，没关系，先直观理解为 牛顿法是一种迭代求解方法。

假设 f(x) = 0 为待求解方程，利用传统方法求解，牛顿法求解方程的公式：

f(x0+Δx) = f(x0) + f′(x0) Δx

即 f(x) = f(x0) + f′(x0) (x-x0)

公式可能大家会比较熟悉，一阶泰勒展式，f′(a) 表示 f(x) 在 x0 点的斜率 （这个很好理解），当X方向增量（Δx）比较小时，Y方向增量（Δy）可以近似表示为 斜率（导数）*X方向增量（f′(x0) Δx） ，令 f(x) = 0，我们能够得到 迭代公式：

x = x0 - f(x0) / f′(x0) => xn+1 = xn - f(xn) / f′(n)

通过逐次迭代，牛顿法 将逐步逼近最优值，也就是方程的解。

二. 扩展到最优化问题

这里的最优化 是指非线性最优化，解非线性最优化的方法有很多，比如 梯度下降法、共轭梯度法、变尺度法和步长加速法 等，这里我们只讲 牛顿法。

针对上面问题进行扩展：

解决 f(x) = 0 的问题，我们用了一阶泰勒展开：

f(x) = f(x0) + f’(x0)*(x-x0) + o( (x-x0)^2 )

去掉末位高阶展开项，代入x = x0+Δx，得到：

f(x) = f(x0+Δx) = f(x0) + f′(x0) Δx

那么 要解决 f′(x) = 0 的问题，我们就需要二阶泰勒展开：

f(x) = f(x0) + f’(x0)(x-x0) + 0.5*f”(x0)(x-x0)^2 + o( (x-x0)^3 )

去掉末位高阶展开项，代入x = x0+Δx，得到：

f(x) = f(x0+Δx) = f(x0) + f′(x0)Δx + 0.5 * f′′(x0) (Δx)^2

求导计算： f′(x) = f’(x0+Δx) = 0，得到：

[ f(x0) + f′(x0)(x−x0) + 0.5 f′′(x0)(x−x0)^2 ]′ = 0

整理：

f′(x0) + f′′(x0)(x−x0) = 0

x = x0 − f′(x0) / f′′(x0) => xn+1 = xn - f’(xn) / f’′(xn)

牛顿法 一图总结为：

三. 牛顿法 与 Hessian矩阵的关系

以上牛顿法的推导 是针对 单变量问题，对于多变量的情况，牛顿法 演变为：

与上面的单变量表示方式类似，需要用到变量的 一阶导数 和 二阶导数。
其中 J 定义为 雅克比矩阵，对应一阶偏导数。

H 为 Hessian矩阵，对应二阶偏导数。

牛顿法 在多变量问题上仍然适用迭代求解，但Hessian矩阵的引入增加了复杂性，特别是当：

▪ Hessian 矩阵非正定（非凸）导致无法收敛；

▪ Hessian 矩阵维度过大带来巨大的计算量。

针对这个问题，在 牛顿法无法有效执行的情况下，提出了很多改进方法，比如 拟牛顿法（Quasi-Newton Methods）可以看作是牛顿法的近似。
拟牛顿法 只需要用到一阶导数，不需要计算Hessian矩阵 以及逆矩阵，因此能够更快收敛，关于 拟牛顿法 这里不再具体展开，也有更深入的 DFP、BFGS、L-BFGS等算法，大家可以自行搜索学习。
总体来讲，拟牛顿法 都是用来解决 牛顿法 本身的 复杂计算、难以收敛、局部最小值等问题。

下面使用TensorFlow并且使用黑塞矩阵来求解下面的方程：

代码如下：

    #python 3.5.3  蔡军生      
    #http://edu.csdn.net/course/detail/2592      
    #    
    import tensorflow as tf  
    import numpy as np  

    def cons(x):  
        return tf.constant(x, dtype=tf.float32)  
    def compute_hessian(fn, vars):  
        mat = []  
        for v1 in vars:  
            temp = []  
            for v2 in vars:  
                # computing derivative twice, first w.r.t v2 and then w.r.t v1  
                temp.append(tf.gradients(tf.gradients(f, v2)[0], v1)[0])  
            temp = [cons(0) if t == None else t for t in temp] # tensorflow returns None when there is no gradient, so we replace None with 0  
            temp = tf.stack(temp)  
            mat.append(temp)  
        mat = tf.stack(mat)  
        return mat  

    x = tf.Variable(np.random.random_sample(), dtype=tf.float32)  
    y = tf.Variable(np.random.random_sample(), dtype=tf.float32)  

    f = tf.pow(x, cons(2)) + cons(2) * x * y + cons(3) * tf.pow(y, cons(2)) + cons(4)* x + cons(5) * y + cons(6)  
    # arg1: our defined function, arg2: list of tf variables associated with the function  
    hessian = compute_hessian(f, [x, y])  

    sess = tf.Session()  
    sess.run(tf.global_variables_initializer())  
    print(sess.run(hessian))  

输出结果：

四、hession矩阵 边缘检测以及边缘响应消除

既然检测到的对应点确认为边缘点，那么我们就有理由消除这个边缘点，所以边缘检测与边缘响应消除的应用是一回事。边缘到底有什么特征呢？如下图所示，一个二维平面上的一条直线，图像的特征具体可以描述为：沿着直线方向，亮度变化极小，垂直于直线方向，亮度由暗变亮，再由亮变暗，沿着这个方向，亮度变化很大。我们可以将边缘图像分布特征与二次型函数图形进行类比，是不是发现很相似，我们可以找到两个方向，一个方向图像梯度变化最慢，另一个方向图像梯度变化最快。那么图像中的边缘特征就与二次型函数的图像对应起来了，其实二次型函数中的hessian矩阵，也是通过对二次型函数进行二阶偏导得到的(可以自己求偏导测试下)，这就是我们为什么可以使用hessian矩阵来对边缘进行检测以及进行边缘响应消除，我想大家应该明白其中的缘由了。还是那句话，数学模型其实就是一种反映图像特征的模型。

所以Hessian matrix实际上就是多变量情形下的二阶导数，他描述了各方向上灰度梯度变化，这句话应该很好理解了吧。我们在使用对应点的hessian矩阵求取的特征向量以及对应的特征值，较大特征值所对应的特征向量是垂直于直线的，较小特征值对应的特征向量是沿着直线方向的。对于SIFT算法中的边缘响应的消除可以根据hessian矩阵进行判定。

参考：
http://blog.csdn.net/linolzhang/article/details/60151623
http://blog.csdn.net/caimouse/article/details/60465975
http://blog.csdn.net/lwzkiller/article/details/55050275