图像梯度
Posted 编号1993
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图像梯度相关的知识,希望对你有一定的参考价值。
复习图像梯度,发现有很多需要进一步理解的内容,重新整理一篇
目录
方向导数和梯度
参考:
数字图像的梯度概念(the gradient of the image)
首先介绍数学概念上的导数和梯度的概念,再引申到图像梯度上
方向导数
方向导数:函数在某一点沿某一方向的变换率
设函数 z = f ( x ) z=f(x) z=f(x)在点 P ( x ) P(x) P(x)的某一领域 U ( p ) U(p) U(p)内有定义,若极限
lim x → x 0 = f ( x ) − f ( x 0 ) x − x 0 \\lim_x \\to x_0=\\fracf(x)-f(x_0)x-x_0 x→x0lim=x−x0f(x)−f(x0)
存在,则称函数 f f f在点 x 0 x_0 x0处可导,并称该极限为函数 f f f在点 x 0 x_0 x0处的一阶导数,记作 f ′ ( x 0 ) f'(x_0) f′(x0)
对于二元函数 z = f ( x , y ) z=f(x,y) z=f(x,y)而言,在定义域内的点 ( x 0 , y 0 ) (x_0, y_0) (x0,y0),固定 y 0 y_0 y0,对 x 0 x_0 x0增加增量 △ x \\bigtriangleup x △x,那么可得到函数 z z z对于 x x x方向的偏导数:
∂ z ∂ x = lim △ x → 0 f ( x 0 + △ x , y 0 ) ) − f ( x 0 , y 0 ) △ x \\frac\\partial z\\partial x=\\lim_\\bigtriangleup x \\to 0\\fracf(x_0+\\bigtriangleup x, y_0))-f(x_0, y_0)\\bigtriangleup x ∂x∂z=△x→0lim△xf(x0+△x,y0))−f(x0,y0)
同样有对 y y y方向的偏导数:
∂ z ∂ y = lim △ y → 0 f ( x 0 , y 0 + △ y ) ) − f ( x 0 , y 0 ) △ y \\frac\\partial z\\partial y=\\lim_\\bigtriangleup y \\to 0\\fracf(x_0, y_0+\\bigtriangleup y))-f(x_0, y_0)\\bigtriangleup y ∂y∂z=△y→0lim△yf(x0,y0+△y))−f(x0,y0)
对于图像而言,通常将它作为离散二维信号进行处理,所以使用有限差分计算导数
对 x x x方向的偏导数:
∂ z ∂ x = f ( x 0 + 1 , y 0 ) − f ( x 0 , y 0 ) \\frac\\partial z\\partial x=f(x_0+1,y_0)-f(x_0,y_0) ∂x∂z=f(x0+1,y0)−f(x0,y0)
对 y y y方向的偏导数:
∂ z ∂ y = f ( x 0 , y 0 + 1 ) − f ( x 0 , y 0 ) \\frac\\partial z\\partial y=f(x_0,y_0+1)-f(x_0,y_0) ∂y∂z=f(x0,y0+1)−f(x0,y0)
有限差分
参考:
有3种计算差分方式:
- 向前差分(
forward difference
)- △ f ( x k ) = f ( x k + 1 ) − f ( x k ) \\bigtriangleup f(x_k)=f(x_k+1)-f(x_k) △f(xk)=f(xk+1)−f(xk), △ \\bigtriangleup △表示向前差分算子
- 向后差分(
backward difference
)- ▽ f ( x k ) = f ( x k ) − f ( x k − 1 ) \\bigtriangledown f(x_k)=f(x_k)-f(x_k-1) ▽f(xk)=f(xk)−f(xk−1), ▽ \\bigtriangledown ▽表示向后差分算子
- 中心差分(
central/centered difference
)- δ f ( x k ) = f ( x k + 1 ) − f ( x k − 1 ) 2 \\delta f(x_k)=\\fracf(x_k+1)-f(x_k-1)2 δf(xk)=2f(xk+1)−f(xk−1), δ \\delta δ表示中心差分算子
以上是关于图像梯度的主要内容,如果未能解决你的问题,请参考以下文章