梯度、散度和旋度及在图像处理中的应用(图像融合)



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 有很重要的作用，比如图像修复中的解泊松方程，目标跟踪等等，可以说是他们无处不在。

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

                               (1)

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：

                         (2)

                          (3)

                           (4)

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