黑塞矩陣(Hessian Matrix)，是一個(gè)多元函數(shù)的二階偏導(dǎo)數(shù)構(gòu)成的方陣，描述了函數(shù)的局部曲率。黑塞矩陣常用于牛頓法解決優(yōu)化問題，利用黑塞矩陣可判定多元函數(shù)的極值問題。在工程實(shí)際問題的優(yōu)化設(shè)計(jì)中，所列的目標(biāo)函數(shù)往往很復(fù)雜，為了使問題簡化，常常將目標(biāo)函數(shù)在某點(diǎn)鄰域展開成泰勒多項(xiàng)式來逼近原函數(shù)，此時(shí)函數(shù)在某點(diǎn)泰勒展開式的矩陣形式中會涉及到黑塞矩陣。

Hessian Matrix，它有著廣泛的應(yīng)用，如在牛頓方法、求極值以及邊緣檢測、消除邊緣響應(yīng)等方面的應(yīng)用，圖像處理里，可以抽取圖像特征，在金融里可以用來作量化分析。

1.用Hessian矩陣提出圖片的關(guān)鍵特征

2.用Hessian矩陣進(jìn)行量化分析

3.邊緣檢測以及邊緣響應(yīng)消除既然檢測到的對應(yīng)點(diǎn)確認(rèn)為邊緣點(diǎn)，那么我們就有理由消除這個(gè)邊緣點(diǎn)，所以邊緣檢測與邊緣響應(yīng)消除的應(yīng)用是一回事。邊緣到底有什么特征呢？如下圖所示，一個(gè)二維平面上的一條直線，圖像的特征具體可以描述為：沿著直線方向，亮度變化極小，垂直于直線方向，亮度由暗變亮，再由亮變暗，沿著這個(gè)方向，亮度變化很大。我們可以將邊緣圖像分布特征與二次型函數(shù)圖形進(jìn)行類比，是不是發(fā)現(xiàn)很相似，我們可以找到兩個(gè)方向，一個(gè)方向圖像梯度變化最慢，另一個(gè)方向圖像梯度變化最快。那么圖像中的邊緣特征就與二次型函數(shù)的圖像對應(yīng)起來了，其實(shí)二次型函數(shù)中的hessian矩陣，也是通過對二次型函數(shù)進(jìn)行二階偏導(dǎo)得到的(可以自己求偏導(dǎo)測試下)，這就是我們?yōu)槭裁纯梢允褂胔essian矩陣來對邊緣進(jìn)行檢測以及進(jìn)行邊緣響應(yīng)消除，我想大家應(yīng)該明白其中的緣由了。還是那句話，數(shù)學(xué)模型其實(shí)就是一種反映圖像特征的模型。

所以Hessian matrix實(shí)際上就是多變量情形下的二階導(dǎo)數(shù)，他描述了各方向上灰度梯度變化，這句話應(yīng)該很好理解了吧。我們在使用對應(yīng)點(diǎn)的hessian矩陣求取的特征向量以及對應(yīng)的特征值，較大特征值所對應(yīng)的特征向量是垂直于直線的，較小特征值對應(yīng)的特征向量是沿著直線方向的。對于SIFT算法中的邊緣響應(yīng)的消除可以根據(jù)hessian矩陣進(jìn)行判定。

---

補(bǔ)充：
一般來說, 牛頓法主要應(yīng)用在兩個(gè)方面, 1, 求方程的根; 2, 最優(yōu)化。

牛頓法是收斂速度最快的方法，其缺點(diǎn)在于要求Hessian矩陣(二階導(dǎo)數(shù)矩陣)。牛頓法大致的思路是采用泰勒展開的二階近似。若Hessian矩陣是正定的，函數(shù)的局部最小值可以通過使上面的二次型的一階導(dǎo)數(shù)等于0來獲取

總結(jié)

以上是生活随笔為你收集整理的矩阵求多元函数的通解_Hessian矩阵的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。