特征值与特征向量的含义
Hessian 系列：定义与性质 → 矩阵定性 → 本篇（特征值与特征向量）→ 图像处理中的 Hessian 矩阵
1. 基本关系
Hessian 矩阵 H 是对称矩阵，可以做正交对角化：
H = QΛQᵀ = Σ λᵢ · vᵢvᵢᵀ 其中： λᵢ = 第 i 个特征值 vᵢ = 第 i 个特征向量（单位向量）- 特征值：这个方向上曲率有多大（陡不陡）
- 特征向量：这个方向在哪（指向哪个方向）
成对使用，缺一不可。就像说"3公里外有家店"——3公里是距离（特征值），但你得知道往哪走（特征向量）才能找到。
2. 特征值的含义
2.1 正负号 → 凹凸方向
- λ > 0：这个方向上是碗形（开口朝上）→ 往这个方向走函数值会增大
- λ < 0：这个方向上是倒碗形（开口朝下）→ 往这个方向走函数值会减小
λ₁=3（正，谷）： λ₂=-2（负，峰）： \ · / /\ \ / / \ \_____/ · ‾‾‾‾‾ 往任一边走 f 都增大 往任一边走 f 都减小2.2 绝对值大小 → 曲率强度
- |λ| 大 → 这个方向上曲率大 → 碗壁陡，函数值变化快，从最低点稍微偏一点值就飙升 → 看起来窄
- |λ| 小 → 这个方向上曲率小 → 碗壁平缓，函数值变化慢 → 看起来宽
λ大（=10）的方向： λ小（=1）的方向： | | \ / |· | 窄而陡 \ · / 宽而平缓 | | \ / ‾‾‾‾‾椭圆碗的俯视图（等高线）：
λ大方向（窄） ↕ ╔═══╗ ║ · ║ ╚═══╝ ↔ λ小方向（宽）3. 特征向量的含义 → 方向
特征值告诉你曲率有多大，特征向量告诉你这个曲率在哪个方向上。
3.1 具体例子
H = [[5, 2], [2, 2]]
四个数摆在这，看不出来哪个方向陡。
算特征值和特征向量：
- λ₁ = 1，v₁ = [1, -2] 方向 → 平缓方向
- λ₂ = 6，v₂ = [2, 1] 方向 → 陡峭方向
v₂=[2,1]，λ₂=6（陡） ↗ · ↘ v₁=[1,-2]，λ₁=1（平缓）光有特征值没有特征向量，你知道有个方向很陡但不知道是哪个方向。就像有人说"前面有条路很陡"但没指给你看。
3.2 正定矩阵的特征向量 → 碗的长短轴方向
对于正定矩阵，特征向量描述的是碗的"长短轴"方向。
λ₁=1, λ₂=4 的正定碗，俯视等高线： λ₂=4 方向（v₂，曲率大，陡，窄） ↕ ╔═══╗ ║ · ║ ╚═══╝ ↔ λ₁=1 方向（v₁，曲率小，平缓，宽）4. 特征值的组合与结构分类
4.1 二维情况
设 |λ₁| ≤ |λ₂|（图像里亮=像素值大）：
| 情况 | λ₁ | λ₂ | 结构类型 | 图像含义 |
|---|---|---|---|---|
| 两正 | + | + | 碗形（极小） | 暗blob |
| 两负 | - | - | 倒碗（极大） | 亮blob |
| 一正一负 | + | - | 马鞍形 | 角/交叉 |
| λ₁≈0, λ₂>>0 | ≈0 | +大 | 柱面（谷） | 暗线/暗管状 |
| λ₁≈0, λ₂<<0 | ≈0 | -大 | 柱面（脊） | 亮线/亮管状 |
| 都≈0 | ≈0 | ≈0 | 平坦 | 均匀区域 |
注意管状这两行别记反：亮线的横截面是个峰（像素值中间高两边低），二阶导为负，所以对应 λ₂<<0；暗线反过来是谷，λ₂>>0。后面 Frangi 滤波器"只保留 λ₂≤0"就是在挑亮管状结构，见图像处理中的 Hessian 矩阵。
单个特征值只管一个方向；把所有方向合起来下整体结论（正定/负定/不定），判定方法见矩阵定性。
4.2 三维情况
设 λ₁ ≤ λ₂ ≤ λ₃：
| 情况 | 几何含义 | 应用 |
|---|---|---|
| λ₁≈λ₂≈0, λ₃<<0 | 板状（plate） | 肺叶、皮肤表面 |
| λ₁≈0, λ₂,λ₃<<0 | 管状（tube） | 血管、支气管 |
| λ₁,λ₂,λ₃<<0 | 球状（blob） | 结节、肿瘤 |
| λ₁<<0, λ₃>>0 | 鞍点 | 复杂结构 |
| 全部≈0 | 均匀区域 | 背景 |
5. 条件数
κ ( H ) = λ m a x λ m i n \kappa(H) = \frac{\lambda_{max}}{\lambda_{min}}κ(H)=λminλmax
- κ ≈ 1：各方向曲率均匀，“圆形碗”，优化容易
- κ >> 1：各方向曲率悬殊，“狭长谷”，优化困难（梯度下降会振荡）
从等高线看最直观：
κ ≈ 1（圆形碗）： κ >> 1（狭长谷）： ______ ________________ / \ / \ | · | | · | \________/ \__________________/ 各方向差不多陡 长轴方向平缓（λ小），短轴方向陡（λ大） 优化容易 梯度下降在两壁之间之字形振荡6. 实际用途
优化中：沿着最小特征值方向走最难收敛，沿最大特征值方向最容易——这就是条件数大时梯度下降振荡的原因
牛顿法中：H⁻¹ = Σ(1/λᵢ)vᵢvᵢᵀ，自动在陡的方向（λ大）缩小步长，平缓方向（λ小）放大步长
PCA 降维：数据协方差矩阵（半正定）的最大特征值对应的特征向量，就是数据方差最大（信息最多）的方向
