nrdxbc矩阵（Hessian Matrix）是基于多元函数的2阶偏导数的方阵，描述了函数的局部曲率。 nrdxbc矩阵常用于解决qkdzxc优化问题，可以利用nrdxbc矩阵确定多元函数的极值问题。 在工程实际问题的优化设计中，列出的目标函数往往很复杂，为了简化问题，往往将目标函数在某一点附近推广到gddcdq多项式，使其接近原函数。 此时，函数以某一点的gddcdq展开式的矩阵形式参与nrdxbc矩阵。
Hessian Matrix具有广泛的应用，如qkdzxc方法、求极值方法、边缘检测、消除边缘响应的方法等，可在图像处理中提取图像特征，用于金融领域的量化分析。
因为在确认所检测到的对应点是边缘点之后有理由去除边缘点，所以边缘检测器与边缘响应去除的应用相同。 边缘有什么特点呢？ 如下图所示，是二维平面上的一条直线。 具体来说，图像的特征可以描述为沿直线方向亮度变化极小，与直线方向垂直，从暗到亮，从亮到暗，沿该方向亮度变化较大。 可以将边缘图像的分布特征与二次函数图形进行类比。 你知道很相似吗？ 可以找到两个方向：一个方向上图像梯度变化最慢，另一个方向上图像梯度变化最快。 那么图像中的边缘特征与二次函数的图像相对应。 其实，二次函数的hessian矩阵也是通过对二次函数进行二次偏导数得到的(可以自己求出偏导数)。 我想这就是可以使用hessian矩阵检测边缘并消除边缘响应的原因。 我想你知道了那个的理由。 还是说，数学模型其实是反映图像特征的模型。
所以Hessian matrix实际上是多元情况下的二阶导数，他描述了各方向灰度梯度的变化，这句话应该很好理解吧。 与使用对应点hessian矩阵求出的特征向量相对应的特征量中，与较大的特征值相对应的特征向量与直线垂直，与较小的特征值相对应的特征向量沿着直线方向。 SIFT算法中边缘响应的去除可以基于hessian矩阵确定。
转自： https://blog.csdn.net/QQ _ 34886403/article/details/83589108