最近在看一篇论文，A Multiresolution Gray-Scale and Rotation Invariant Descriptor for Texture Classification。里边有一些关于主曲率的部分不太了解，因此在这边做一个资源笔记。
本论文主要是提出一个多尺度的算法PC_LBP用来实现图像的旋转不变。其中包含有两部分：CLBP_S与CLBP_PC。均采用二进制编码的方式，为之后的特征汇聚做准备。CLBP_S是算法CLBP中的，CLBP_PC则是本论文的重头戏：用图像的最大曲率与最小曲率来描述宏观与微观的特征。
首先了解一下曲率，https://blog.csdn.net/qq_34040902/article/details/78109063。https://blog.csdn.net/langminglang/article/details/61925230。
https://zhuanlan.zhihu.com/p/23132541
https://www.zhihu.com/question/35499791
原文中写明：PCs can felicitously represent both micro- and macro-structure information of target image.
论文提到了Hessian矩阵，PCs of local points in image surface usually can be obtained by analyzing the eigenvalues of Hessian matrix,In this paper,we use PCs to represent each local texture structure due to their signicant geometric property.
Hessian矩阵参考https://blog.csdn.net/u013921430/article/details/79770458。计算过程中包含有高斯，卷积等操作。论文中使用了高斯二阶导的形式，目前正在编代码，实现过程出现了小问题。
文章的思路应该是先对图像进行高斯操作，得到Dxx,Dxy,Dyy，计算Hessian矩阵特征值，再利用这些值，计算主曲率PC，为了保证值合法，采用artan形式得到yita，而CLBP_PC的值则是跟传统LBP的形式相同，一样的阈值化一样的赋权重。
最后，将CLBP_S与CLBP_PC联合在一起，形成最后的特征值。
