文献阅读笔记【11】：基于 Hessian 矩阵多尺度滤波的路面裂缝图像检测方法
- 论文 | 基于 Hessian 矩阵多尺度滤波的路面裂缝图像检测方法
- 作者 | 王 军 ， 孙慧婷， 姜 志， 何 昕
- 期刊 | 计算机与应用
- 时间 | 2016年6月
该文中提出了使用多尺度抑制噪声和使用Hessian 矩阵提取裂缝的方法，最终实现了路面裂缝的分割。
文章的方法整理架构：
多尺度滤波：
即使用不同尺寸的高斯滤波器对图像进行滤波，进而得到不同尺度（清晰度）的图像，其作用是抑制图像非重要的特征， 从而突出裂缝特征， 为路面裂缝特征的快速提取和识别提供了依据，多变的测量尺度参数可以使后续的测量方法更加灵活。
Hessian 矩阵法：
Hessian 矩阵可以实现对图像中的特定结构（点结构/线结构）进行增强，同时抑制其它特征，从而实现对目标特征的提取。在本文中就利用了其可以提取线性结构的特性实现了对裂缝信息的提取，同时剔除了其它的无用噪声信息。
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。两个特征值表示出了图像在两个特征向量所指方向上图像变化的各向异性。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。那么在二维图像中，什么样的结构最具各项同性，又是什么样的结构的各向异性更强呢？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。如下图；
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。
同时，文中还在此基础上做出了优化：合并小的不连续裂缝的方法来消除噪， 同时保留真实的纵向裂缝包括不连续的裂纹。
关于Hessian 矩阵的理解参考：
Comments:
本文的创新点整体来看在于将多尺度滤波和Hessian矩阵结合在一起，同时对于后者进行了一部分优化，从而获得了裂缝的提取。对于我最大的启发之处是Hessian矩阵在图像处理中的使用，此法可以与深度学习分类结合，再辅以滤波去燥，或许效果更佳。
但是Hessian矩阵在裂缝分割中明显的缺点是只要是图像中有明显的线性结构就会被提取出来，如果遇到伪裂缝，便无能为力。对于此缺点我个人觉得限制了Hessian矩阵的使用场景，可以用于小图像背景为斑点噪声居多的图像裂缝识别。