Gram矩阵介绍

$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵的定义

定义：$n$维欧式空间中任意$k(k\le n)$个向量${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_k$的内积所组成的矩阵$$\Delta ({\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_k)=\left(\begin{array}{cccc}({\alpha }_1,{\alpha }_1)& ({\alpha }_1,{\alpha }_2)& \cdots & ({\alpha }_1,{\alpha }_k)\\ ({\alpha }_2,{\alpha }_1)& ({\alpha }_2,{\alpha }_2)& \cdots & ({\alpha }_2,{\alpha }_k)\\ \cdots & \cdots & \cdots & \cdots \\ ({\alpha }_k,{\alpha }_1)& ({\alpha }_k,{\alpha }_2)& \cdots & ({\alpha }_k,{\alpha }_k)\end{array}\right)$$称为$k$个向量${\alpha }_1,{\alpha }_2,\cdots ,{\alpha }_k$的$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵。

$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵的意义

  $\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵可以看做特征之间的协方差矩阵，在特征图中，每个数字都来自于一个特定滤波器在特定位置的卷积，因此每个数字代表一个特征的强度，而$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$计算的实际上是两两特征之间的相关性，哪两个特征是同时出现的，哪两个是此消彼长的等等，同时，$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$的对角线元素，还体现了每个特征在图像中出现的量，因此，$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$有助于把握整个图像的大体风格。有了表示风格的$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵，要度量两个图像风格的差异，只需比较他们$\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵的差异即可。
 $\mathrm{G}\mathrm{r}\mathrm{a}\mathrm{m}$矩阵用于度量各个维度自己的特性以及各个维度之间的关系。内积之后得到的多尺度矩阵中，对角线元素提供了不同特征图各自的信息，其余元素提供了不同特征图之间的相关信息。这样一个矩阵，既能体现出有哪些特征，又能体现出不同特征间的紧密程度。