基于SURF和快速近似最近邻搜索的图像匹配算法

合集下载

结合SURF描述符和广义近邻图的图像配准算法

结合SURF描述符和广义近邻图的图像配准算法孙登第;罗斌;卜令斌【期刊名称】《微型机与应用》【年(卷),期】2012(031)015【摘要】To solve the drawbacks that typical mutual information-based registration has a large amount of calculation neglects the spatial information of images, a new medical image registration method is proposed by combining SURF descriptor and generalized nearest-neighbor graph （GNN）. The algorithm extracts the feature points and SURF descriptor from images firstly, and then uses the generalized nearest-neighbor graph to estimate the Renyi entropy and mutual information. The algorithm combines with the robustness of SURF and the high efficiency of using GNN to estimate the Renyi entropy. The experimental results show that for the real-world remote sensing images, the proposed algorithm can achieve better robustness, higher speed and better accuracy than the traditional methods.%针对传统互信息配准方法计算量较大且未利用图像空间信息的缺点，提出了一种结合SURF描述符和广义近邻图的图像配准算法。

改进的SURF算法在图像匹配中的应用

matching accuracy. Keywords： image matching； feature point extraction； bidirectional matching； disparity gradient； random sample
consistency；matching precision
近邻特征点，结合双向唯一性匹配的方法完成图像匹配，然后在视差约束下，利用视差梯度约束对初始特征匹配对进行预处
理，筛选掉一些偏差较大的匹配对，最后采用随机抽样一致（Random Sample Consensus，RANSAC）算法对特征点二次优化和
去噪处理。将其他改进算法和提出的改进算法分别进行图像匹配处理比较，分析算法的性能，得到提出的改进算法匹配成
0引言
近年来，随着科技的进步，双目立体视觉[1]技术被广泛应用，例如图像检索[2]、三维重建[3]、目标识别[4]、图像配准等 [5] 。其中，特征点检测与匹配作为双目立体视觉技术中的关键一步，显得尤为重要。常见的适用于特征匹配的算法中，较为成熟的有 SIFT 算法和 SURF 算法。 SIFT 算法具 [6] 有尺度不变性和旋转不变性，图像在尺度变化和旋转变化的情况下匹配效果受影响很小，由于采用差分高斯金字塔[7⁃8]进行特征点[7，9]提取，所以算法运行时间相应增加，降低了运行速度。1999 年 David Lowe
功率达 96.3%。实验结果证明提出的改进算法简单快速，匹配精度高。
关键词：图像匹配；特征点提取；双向匹配；视差梯度；随机抽样一致；匹配精度
中图分类号：TN911.73⁃34；TP391.9
文献标识码：A

基于改进SURF的快速图像配准算法

基于改进SURF的快速图像配准算法胡旻涛;彭勇;徐赟【期刊名称】《传感器与微系统》【年(卷),期】2017(036)011【摘要】针对传统加速鲁棒特征(SURF)匹配算法存在实时性不高,误匹配等问题,提出了基于改进SURF特征提取快速的图像配准算法.利用快速黑塞(Hessian)矩阵提取图像特征点,根据图像熵信息对特征点进行筛选,采用改进的快速近邻搜索算法进行特征匹配,到用随机抽样一致(RANSAC)算法剔除误匹配对.实验表明:改进后的算法有效改善了匹配效率,提高了匹配准确度.%Aiming at problem of poor real-time and false matching of images matching algorithm based on speed up robust features (SURF),present an images matching algorithm based on improved SURF. Features point of image is extracted by using the Fast-Hessian matrix. Features point is sifting by image entropy information. RANSAC algorithm is used to exclude mistake matching pair. The experiments show that this algorithm improves matching efficiency,and improve matching accuracy.【总页数】3页(P151-153)【作者】胡旻涛;彭勇;徐赟【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP391.41【相关文献】1.基于改进Harris-SURF算子的遥感图像配准算法 [J], 李天佐;刘丽萍;孙学宏;余增增2.基于改进SURF算法的移动目标实时图像配准方法研究 [J], 巨刚;袁亮;刘小月;岳昊恩3.基于SURF的图像配准改进算法 [J], 潘建平;郝建明;赵继萍4.基于改进的SURF图像配准算法研究 [J], 金斌英5.基于SURF的图像配准改进算法 [J], 袁丽英; 刘佳; 王飞越因版权原因，仅展示原文概要，查看原文内容请购买。

基于SURF的自适应彩色图像配准算法

基于SURF的彩色图像的配准算法摘要：SURF算法(加速鲁棒特征法)克服了SIFT（尺度不变特征变换）算法繁复的计算，但两者的设计主要是针对灰度图像,为了克服这一缺点，色彩信息也应该被配准，这篇文章提供了一种基于SURF描述符的针对彩色图像的配准算法，首先用SURF算法计算关键点和描述符，然后色彩信息被叠加在关键点的描述符来重建描述符，最后基于欧式距离的双路匹配算法被用来匹配图像，大量的实验实验表明，该算法不仅继承了其优越的性能SURF算法，同时也增加了彩色图像自适应匹配能力。

目前主要有三种图像配准：基于图像特征的配准，基于灰度相关和变换域的配准，基于特征的图像配准的研究最早和具有最广泛的适应性[5]，在此，研究人员经过了长期不懈的研究，对于特征图像配准算法提出了如Moravec, Harris,SUSAN, and SIFT等算法，sift算法在局部不变描述符上具备最好的判别性，但他的描述符是16*8=128维度的向量，用来对灰度图像进行设计，为了克服这个缺陷，本文将设计更多维度的向量描述符，PCA_SIFT[10]算法将向量维度从128减少到36，但是却不具备判别性，GLOH[11]算法在相同情况下具备更好的区分度，但计算却更复杂一些，SURF[12]是2006年Bay et al.在SIFT基础上建立的算法，相比于SIFT算法，SURF算法在速度上有明显的提高，因为其有低维度描述符向量空间（只有64），尽管这已经算不错的结果，但仍然没有包括色彩信息。

色彩信息在这世上扮演了重要的角色，它是区分事物的重要部分，如果物体的色彩信息被忽略，那么可能物体就会被错误的辨认，基于就可以进行色彩的CSIFT[13](尺度不变特征变换)去利用色彩信息。

基于SURF算子与FLANN搜索的图像匹配方法研究

文章编号：1007-1423（2020）14-0049-05DOI：10.3969/j.issn.1007-1423.2020.14.011基于SURF算子与FLANN搜索的图像匹配方法研究徐明，刁燕（四川大学机械工程学院，成都610065）摘要：对于在传统的图像匹配过程中，存在误匹配率高和匹配效果不佳的问题，提出基于加速鲁棒特征（SURF）算法与快速近似最近邻查找（FLANN）搜索的图像匹配方法。

首先采用Hessian矩阵来获知图像的局部最值，然后在图像上构建尺度空间，通过不同的尺度空间定位出特征点，并确立特征点的主方向，再生成特征点描述子，最后结合FLANN搜索算法对图像进行匹配。

实验表明，该算法相对传统的图像匹配方法提高准确度和匹配效果。

关键词：SURF；特征提取；FLANN；图像匹配基金项目：四川大学泸州市人民政府战略合作项目（No.2018CDLZ-22）0引言图像匹配是指在两幅或者多幅图像中通过一定的算法找到相似影像的方法[1]。

在数字图像处理的研究过程中，图像的特征提取以及图像匹配一直是一个关键问题，在图像配准、目标检测、模式识别、计算机视觉等领域发挥着至关重要的作用[2]。

1998年，Harris和Stephens在工作的启发下提出Harris角点检测算法[3]，是对Moravec算法的扩充和完善。

通过分别计算像素点在x和y方向上的梯度，利用高斯核函数对图像进行高斯滤波，然后根据角点响应函数计算原图像上对应的每个像素点的响应值，最后通过给定的阈值选取局部极值点来确定图像的特征点。

Harris算法是直接通过灰度图像然后进行角点提取，该算法适用于L型的角点检测，稳定性好，但是容易出现角点信息丢失和角点的位置偏移以及聚簇现象，运行速度也比较慢。

2004年，Lowe发表了尺度不变特征（Scale Invari⁃ant Feature Transform，SIFT）算法[4]，通过构建高斯尺度空间，寻找极值点，剔除不稳定特征点，确定关键点方向和生成特征点描述子来提取图像的特征点。

SURF与FLANN算法结合的图像匹配方法

SURF与FLANN算法结合的图像匹配方法周志伟袁锋伟张亢吴智摘要：针对核环境下自主式导航机器人对目标识别与跟踪过程中提高特征点匹配的准确率和稳定性问题，提出一种基于加速鲁棒特征（speeduprobustfeatures，SURF）算法进行特征提取和特征描述，利用快速最近邻逼近搜索函数库（fastlibraryforapproximatenearestneighbors，FLANN）算法进行特征点预匹配，并使用随机采样一致性（randomsampleconsensus，RANSAC）算法优化匹配结果，从而实现图像实时匹配与识别。

实验结果表明，在不同实验条件下，包括角度变换、缩放变换、局部遮挡、局部光照等，本文算法均能匹配出目标区域内模板图像，具有较好的精确性和稳定性。

关键词：加速鲁棒特征：快速最近邻逼近搜索函数库：随机采样一致性0引言机器人识别安全警示标志是图像匹配技术的典型应用，图像匹配的前提是特征提取，特征点的优劣直接影响图像匹配效果。

目前，相关研究人员提出许多特征点检测、描述算法。

但在应用于机器人视觉时，相机的成像往往会被角度、障碍物遮挡、光照等因素影响，从而导致匹配效率不高的问题。

LoweDG提出SIFT算法和HerbenBay等人在2022年提出SURF算法，因为SURF特征提取结合了二维Haar小波响应、积分图像和Hessian 矩阵来加速算法的实现，使得SURF特征提取的运算时间大幅下降。

索春宝等人对主流的特征提取算法进行各项性能测试。

对比结果显示，特征检测性能表现较好的是SURF算法。

王金龙等人对SIFT算法特征提取和FLANN匹配进行研究，雖然在角度变换、图像缩放、光照变化等不同实验条件下有较好的准确度，但是算法运行时间较长，不能很好的应用于对实时性要求较高的机器人视觉场合中。

针对上述问题，本文采用鲁棒性较好的SURF算法对图像进行特征点提取，使用匹配精度和运算速度较好的FLANN算法进行预匹配。

基于改进SURF的快速图像配准算法

０引言
算法，利用扩散距离代替欧氏距离进行匹配，利用随机抽样
一
图像配准是图像处理过程中的关键技术，在目标识别、图像拼接、变化检测、目标跟踪、三维重建等领域得到了广
致（ＲＡＮＳＡＣ）算法从候选匹配中排除错误的匹配。文
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｐｒｏｂｌｅｍｏｆｐｏｏｒｒｅａｌ — ｔｉｍｅａｎｄｆａｌｓｅｍａｔｃｈｉｎｇｏｆｉｍａｇｅｓｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｓｐｅｅｄ
中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１０００－－９７８７（２０１７）１１０１－５１０３－
ＦａｓｔｉｍａｇｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦ
进行筛选，采用改进的快速近邻搜索算法进行特征匹配，到用随机抽样一致（ＲＡＮＳＡＣ）算法剔除误匹配
对。实验表明：改进后的算法有效改善了匹配效率，提高了匹配准确度。关键词：加速鲁棒特征；图像熵；最近邻搜索；图像配准
ＨＵＭｉｎ— ｔａｏ，ＰＥＮＧＹｏｎｇ，ＸＵＹｕｎ
（ＳｃｈｏｏｌｏｆｌｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ２１４１２２，Ｃｈｉｎａ）

基于SURF的图像配准与拼接技术研究共3篇

基于SURF的图像配准与拼接技术研究共3篇基于SURF的图像配准与拼接技术研究1近年来，图像配准与拼接技术已经成为了数字图像处理的重要研究方向之一。

在许多应用领域中，例如遥感影像、医学影像、三维建模等，图像配准与拼接技术已经得到了广泛的应用。

随着计算机视觉技术的不断发展，图像配准与拼接技术也在不断的完善和提高。

其中一种最具有代表性的图像配准与拼接技术就是基于SURF的图像配准与拼接技术。

SURF（Speeded-Up Robust Features）是一种高效的图像特征提取算法，它可以在保证特征点数量和质量的同时，提高提取速度。

利用SURF算法提取的特征点几乎不受图像缩放、旋转、平移等变换的影响，具有较好的鲁棒性和准确性。

基于SURF算法的图像配准与拼接技术，可以较好地解决图像缩放、旋转、平移等问题，为数字图像处理提供了更好的技术保障。

在基于SURF的图像配准与拼接技术中，首先需要选取参考图像和待配准图像。

然后，利用SURF算法对两幅图像提取特征点，并进行特征点匹配。

通过对特征点的匹配，可以找到两幅图像之间的几何变换关系。

接下来，可以利用图像配准技术对待配准图像进行校正对准，从而使其与参考图像达到一致。

最后，可以利用图像拼接技术将校正后的待配准图像与参考图像进行拼接，得到最终的拼接结果。

其中，特征点匹配是图像配准与拼接的关键步骤之一。

SURF算法的特征点匹配策略使用的是一种特殊的描述子匹配算法——KD树。

KD树是一种数据结构，在高维空间中构建KD树，可以实现高效的最近邻搜索。

通过KD树可以快速地找到两幅图像中距离最近的特征点，并将其匹配起来。

通过特征点的匹配，可以计算出两幅图像之间的变换关系，并对待配准图像进行校正对准。

除了特征点匹配外，还有一些其他的关键步骤也需要注意。

例如，在图像配准中，需要对待配准图像进行坐标转换，从而使得其与参考图像的坐标系一致。

在图像拼接中，需要实现拼接过程中的图像去重、光照一致性等问题。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

［２］
提出了ＳＵＲＦ算法，它是对ＳＩＦＴ算法的一种改进，其性能
超过了ＳＩＦＴ且能够获得更快的速度。ＳＵＲＦ算法在光照变化和视角变化不变性方面的性能接近ＳＩＦＴ算法，尤其对图像严重模糊和旋转处理得非常好。文献［３］通过对几种具有代表性的局部特征算法进行了性能评估，实验结论表明，ＳＵＲＦ算ＵＲＦ算法通过计算积法是性能最为鲁棒的局部特征算法。Ｓ
Ｈ＝

式提出了ＳＩＦＴ（ｓｃａｌｅｉｎｖａｒｉａｎｔｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍ）算法，该算法通过提取稳定的特征，可以对发生平移、旋转、仿射变换、视角变ＩＦＴ算法本身复杂换、光照变化情况的图像进行匹配；但由于ＳＢａｙ等度较高也存在着特征检测和匹配速度慢的缺点。随后，人
收稿日期：２０１２０７２９；修回日期：２０１２０９０４基金项目：国家自然科学基金资助项目（６１１７０２０３）；国家“ ９７３ ” 计划前期研究专项基金资助项目（２０１１ＣＢ３１１８０２）；国家教育部博士点基金资助项目（２００８０６９７００１４）；陕西省自然科学基金资助项目（２０１１ＪＱ８００１，２０１０ＪＱ８０１１；虚拟现实应用教育部工程研究中心开放基金资助项目（ＭＥＯＢＮＵＥＶＲＡ２００９０３）；陕西省教育厅资助项目（０９ＪＫ７３８，１２ＪＫ０７３０）作者简介：赵璐璐（１９８９），女，陕西西安人，硕士研究生，主要研究方向为图形图像处理、可视化技术（３８１２９９６０９＠ｑｑ．ｃｏｍ）；耿国华（１９５５），女，教授，博导，主要研究方向为图形图像、可视化技术、智能信息处理；李康（１９８０），男，讲师，博士研究生，主要研究方向为计算机可视化；何阿静１９８８），女，硕士研究生，主要研究方向为图形图像处理、可视化技术．（
（ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＮｏｒｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１０１２７，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｉｍａｇｅｓｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳＵＲＦａｎｄｆａｓｔａｐｐｒｏｘｉｍａｔｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓｅａｒｃｈｆｏｒｔｈａｔｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｍａｔｃｈｉｎｇｏｆｈｉｇｈｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｖｅｃｔｏｒｗａｓｌｏｗ．Ｆｉｒｓｔ，ｔｈｉｓａｌｇｏｒｉｔｈｍｕｓｅｄＦａｓｔＨｅｓｓｉａｎｄｅｔｅｃｔｉｏｎｔｏ，ａｎｄｇｅｎｅｒａｔｅｄｆｅａｔｕｒｅｖｅｃｔｏｒｏｆＳＵＲＦｄｅｓｃｒｉｐｔｏｒｓ．Ｔｈｅｎｕｓｉｎｇｂｉｄｉｒｅｃｔｉｏｎａｌａｐｐｒｏｘｉｍａｔｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｍａｔｃｈｉｎｇｆｉｎｄｆｅａｔｕｒｅｓａｌｇｏｒｉｔｈｍｔｏｍａｔｃｈ，ｆｉｎａｌｌｙａｄｏｐｔｅｄＰＲＯＳＡＣａｌｇｏｒｉｔｈｍｔｏｅｘｃｌｕｄｅｍｉｓｔａｋｅｍａｔｃｈｉｎｇｐｏｉｎｔｓ．ＥｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｎｏｔｏｎｌｙｉｍｐｒｏｖｅｓｔｈｅｍａｔｃｈｉｎｇｃｏｒｒｅｃｔｒａｔｅｏｆＳＵＲＦａｌｇｏｒｉｔｈｍ，ａｎｄｅｎｓｕｒｅｔｈｅｒｅａｌｔｉｍｅｎａｔｕｒｅ．Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｍａｔｃｈｉｎｇ；ＦＬＡＮＮ；ＳＵＲＦ（ｓｐｅｅｄｅｄｕｐｒｏｂｕｓｔｆｅａｔｕｒｅｓ）；ＰＲＯＳＡＣ；ｂｉｄｉｒｅｃｔｉｏｎａｌｍａｔｃｈｉｎｇ
Ｌ ቤተ መጻሕፍቲ ባይዱ ｘ，）Ｌ（ｘ，） σ σ ｘｘｘｙ
Ｌ（ｘ，）Ｌ（ｘ，） σ σ ｘｙｙｙ
１）（
其中：Ｌ（ｘ，）、Ｌ（ｘ，Ｒ）和Ｌ（ｘ，Ｒ）是ｘ点处高斯函数二阶 σ ｘｘｘｙｙｙ偏导数和图像的二维卷积。ＳＵＲＦ算子采用方框滤波为了提高高斯卷积的计算速度，
′ ２ ′ ２ ′ ２Ｄ＝槡（ｘｘ）＋（ｘｘ）＋ …＋（ｘｘ）１－１２－２６４－６４ ′ １ ′ ２ ′ ６４
（３）
其中：（ｘ，ｘ， …，ｘ），（ｘ，ｘ， …，ｘ）为待匹配的两个特征点１２６４ＵＲＦ特征向量。的Ｓ % ! 双向 -./00 算法由于ＳＵＲＦ特征向量是高维向量，以往算法采用基于最近邻距离的匹配算法，其匹配过程相当于高维空间中的最近邻搜索问题，计算量太大。文献［５］对一些相关的算法进行了比均值较，发现对于高维空间中的最近邻搜索问题，采用分层Ｋ树和多重随机ＫＤ树具有较好的性能，并且实现了根据用户输入的准确度和高维数据自动化选择的近似快速最近邻搜索算ＬＡＮＮ，搜索速率得到了显著提高，因而本文采用ＦＬＡＮＮ法Ｆ算法。图３为图ＩＬＡＮＮ匹配效果图，匹配对数为１到图Ｉ２的Ｆ１２４；图４为图Ｉ匹配对数为１３６。可以２到图Ｉ１的匹配效果图，明显看出，同样是两幅图，通过不同方向匹配得到的匹配对数不同，都存在不同程度的误匹配现象。
为
２Ｈ＝Ｄ（ｘ）Ｄ（ｘ）－（０．９Ｄ（ｘ）） Δ ｘｘｙｙｘｙ
（２）
其中：（ｘ，ｙ）周围区域的方框滤波器响应值，用 Δ进 Δ为在点Ｉ行极值点的检测。方框滤波模板与图像进行卷积运算后的值、Ｄ、Ｄ。通过矩阵的行列式和特征值来判别是否分别为ＤｘｘｘｙｙｙａｓｔＨｅｓｓｉａｎ矩阵的行列式值为正，且两个特征为极值点，若Ｆ值不同时为正或为负，则认定为极值点。
图像匹配在图像处理中一直是研究的重点和热点之一，它用来匹配相互间具有偏移的两幅或多幅图像。在目标识别、三维重建、运动分析、图像拼接等领域都有着广泛的应用。目前，广泛应用的图像匹配算法主要有两类：ａ）基于区域的匹配方法，该方法运算量大而且不能解决图像旋转和尺度缩放的问题；ｂ）基于特征的匹配方法，近年来，由于基于局部不变特征的匹配算法具有计算量小、良好的鲁棒性，对图像偏移、旋转、灰度变化等都有较好的适应能力，逐渐成为图像匹配算法研究的主流方向。
赵璐璐，耿国华，李康，何阿静
（西北大学信息科学与技术学院，西安７１０１２７）摘要：针对高维特征向量存在的最近邻匹配正确率低的问题，提出了一种基于ＳＵＲＦ和快速近似最近邻搜索的图像匹配算法。首先用ＦａｓｔＨｅｓｓｉａｎ检测子进行特征点检测，并生成ＳＵＲＦ特征描述向量；然后通过快速近似最近邻搜索算法得到初匹配点对，再对得出的单向匹配结果进行双向匹配；最后采用鲁棒性较好的ＰＲＯＳＡＣ算ＵＲＦ算法匹配的正确率，还保证了算法的实时性。法进一步剔除误匹配点对。实验证明了该算法不仅提高了Ｓ关键词：图像匹配；快速近似邻近点搜索；加速鲁棒特征；改进的样本一致性；双向匹配中图分类号：ＴＰ３９１．４１文献标志码：Ａ文章编号：１００１３６９５（２０１３）０３０９２１０３ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１３６９５．２０１３．０３．０７２
! "+,- 特征提取和描述
本文采用ＳＵＲＦ算法作为图像匹配的特征提取算法。ＳＵＲＦ特征点检测的主要过程分为特征点提取和生成特征ＳＵＲＦ描述向量。 ! ! "+,- 特征点提取ＳＵＲＦ算子的检测与ＳＩＦＴ算法都是基于尺度空间的，采用Ｈｅｓｓｉａｎ矩阵来提取特征点。尺度为 σ的图像点Ｉ（ｘ，ｙ）的Ｈｅｓｓｉａｎ矩阵定义为