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

  1. 方向导数和梯度
  2. python实现
  3. 图像梯度的使用

方向导数和梯度

参考:

第七节 方向导数与梯度

偏导数

数字图像的梯度概念(the gradient of the image)

Image gradient

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 xx0lim=xx0f(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 xz=x0limxf(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 yz=y0limyf(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

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) xz=f(x0+1,y0)f(x0,y0)

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) yz=f(x0,y0+1)f(x0,y0)

有限差分

参考:

Finite difference

有限差分

中心差分

差分

有3种计算差分方式: