首先，SURF 仅将其用作斑点检测器来寻找兴趣点。一阶导数只为您提供方向信息，例如边缘性。然而，Hessian（作为二阶导数的矩阵）包含局部结构信息，例如曲率/凹度等。例如，它的特征向量可用于角度测量。它只是提供更多信息。此外，它的行列式用作自动比例选择器。

另一种常见的替代方案是拉普拉斯检测器，但 Hessian 显示出更好的尺度选择特性。

SURF检测器是一种斑点检测器，它在尺度空间上找到DoH（Hessian的行列式）的局部最大值，以找到特征点的坐标和尺度。

Hessian 矩阵是二阶导数矩阵。为了估计不同尺度的 Hessian，我们必须使用 Gaussian 进行卷积以获得不同尺度的图像，同时通过有限差分逼近求导。现在考虑卷积和取导数是线性算子，我们可以交换它们的顺序或组合它们，因此我们不是单独执行这些操作，而是通过将导数 o 高斯作为卷积核来执行这两个操作的组合。

顺便说一下，在 SURF 方法中为了加快计算速度，我们不使用 Gaussian，而是使用积分图像来逼近 Hessian。

在名为From Wide-baseline Point and Line Correspondences to 3D的作品中，Herbert Bay 说：

高斯是尺度空间分析的最佳选择 [Koenderink 1984, Lindeberg 1990]

所以应该在文章的某处找到解释：

[林德伯格 1990] T.林德伯格。离散信号的尺度空间。PAMI, 12(3):234–254, 1990. 2.3

[Koenderink 1984] JJ Koenderink。图像的结构。生物控制论, 50:363 – 370, 1984. 2.3, 2.4

此外，如果愿意，您可以使用 DoG 特征检测器和 SURF 描述符实现混合算法。