对于有些人,看这些枯燥的公式符号是件痛苦的事情;但痛苦后总会有所欣喜,如果你充分利用它的话,你更能体会到他的美妙;先来几张效果图,激发你学习数学的欲望:
注释:图像融合效果,分别应用了不同的算法
在图像图形处理中, 梯度、散度和旋度
来句废话:可能有些人,对于数学符号里面倒三角 正三角 符号的意思?与读法感到迷惑,现稍作解释;
△一般指拉普拉斯算子
▽读Nabla,奈不拉,也可以读作“Del” 这是场论中的符号,是矢量微分算符.高等数学中的梯度,散度,旋度都会用到这个算符.其二阶导数中旋度的散度又称Laplace算符
继续核心内容:
梯度、散度和旋度是矢量分析里的重要概念。之所以是“分析”,因为三者是三种偏导数计算形式。这里假设读者已经了解了三者的定义。它们的符号分别记作如下:
从符号中可以获得这样的信息:
①求梯度是针对一个标量函数,求梯度的结果是得到一个矢量函数。这里φ称为势函数;
②求散度则是针对一个矢量函数,得到的结果是一个标量函数,跟求梯度是反一下的;
③求旋度是针对一个矢量函数,得到的还是一个矢量函数。
这三种关系可以从定义式很直观地看出,因此可以求“梯度的散度”、“散度的梯度”、“梯度的旋度”、“旋度的散度”和“旋度的旋度”,只有旋度可以连续作用两次,而一维波动方程具有如下的形式
其中a为一实数,于是可以设想,对于一个矢量函数来说,要求得它的波动方程,只有求它的“旋度的旋度”才能得到。下面先给出梯度、散度和旋度的计算式:
旋度公式略显复杂。这里结合麦克斯韦电磁场理论,来讨论前面几个“X度的X度”。
I.梯度的散度:
根据麦克斯韦方程有:
而