如何使用OpenCV计算图像的结构张量

我正在尝试实现一个使用图像在大型图像数据库中搜索相似图像的应用程序。我正在开发用于此搜索的图像描述符，我想将颜色信息与某些渐变信息结合起来。我已经看到了在该域中使用的结构张量来查找图像或子图像中的主梯度方向。

我想拍摄一张图像，将其划分为子图像网格，例如4x4网格（总共16个子图像），然后找到每个像元的前导梯度方向。为了找到领先的梯度方向，我想看看是否为每个像元计算结构张量可以很好地表示图像梯度并改善图像匹配度。这是一个好主意还是一个坏主意？想法是获得与本文第3.2节类似的特征向量http://cybertron.cg.tu-berlin.de/eitz/pdf/2009_sbim.pdf

将图像划分为子图像（单元）是微不足道的，并且使用opencv，我可以使用Sobel函数计算偏导数。

Mat dx, dy; 
Sobel(im, dx, CV_32F, 1, 0, 3, 1, 0, BORDER_DEFAULT);
Sobel(im, dy, CV_32F, 0, 1, 3, 1, 0, BORDER_DEFAULT); 

计算dx ^ 2，dy ^ 2和dxy应该不是问题，但是我不确定如何计算结构张量矩阵并使用张量矩阵来找到图像或子图像的主梯度方向。如何使用OpenCV来实现呢？

编辑好的，这就是我所做的。

    Mat _im; // Image to compute main gradient direction for. 
    cvtColor(im, _im, CV_BGR2GRAY);
    GaussianBlur(_im, _im, Size(3, 3), 0, 0, BORDER_DEFAULT); //Blur the image to remove unnecessary details. 
    GaussianBlur(_im, _im, Size(5, 5), 0, 0, BORDER_DEFAULT);
    GaussianBlur(_im, _im, Size(7, 7), 0, 0, BORDER_DEFAULT);

    // Calculate image derivatives 
    Mat dx2, dy2, dxy; 
    Sobel(_im, dx2, CV_32F, 2, 0, 3, 1, 0, BORDER_DEFAULT); 
    Sobel(_im, dy2, CV_32F, 0, 2, 3, 1, 0, BORDER_DEFAULT);
    Sobel(_im, dxy, CV_32F, 1, 1, 3, 1, 0, BORDER_DEFAULT);

    Mat t(2, 2, CV_32F); // tensor matrix

    // Insert values to the tensor matrix.
    t.at<float>(0, 0) = sum(dx2)[0];
    t.at<float>(0, 1) = sum(dxy)[0];
    t.at<float>(1, 0) = sum(dxy)[0];
    t.at<float>(1, 1) = sum(dy2)[0];

    // eigen decomposition to get the main gradient direction. 
    Mat eigVal, eigVec;
    eigen(t, eigVal, eigVec);

    // This should compute the angle of the gradient direction based on the first eigenvector. 
    float* eVec1 = eigVec.ptr<float>(0);
    float* eVec2 = eigVec.ptr<float>(1);
    cout << fastAtan2(eVec1[0], eVec1[1]) << endl;
    cout << fastAtan2(eVec2[0], eVec2[1]) << endl;

这种方法正确吗？

应用程序使用此图像输出44.9905，135.01。得出0、90。

当我使用真实图像的一部分时，我得到342.743、72.7425，这很奇怪。我期望沿着颜色变化获得一个角度（90欧元）。

经过测试后，我不确定我的实现是否正确，因此欢迎对此提出任何反馈或意见。