数字图像的倒数与梯度

在数字图像处理中，经常会对图像求梯度和导数，如用于Hog（Histogram of Oriented Gradient）特征计算，边缘检测等等。
一、二维数据的一阶导数
图像中假定格点的步长为1，所以一阶导数
$G[f(x,y)]= \begin{bmatrix} G_{x}\\ G_{y} \end{bmatrix}= \begin{bmatrix} \frac {\partial f }{\partial x}\\ \frac {\partial f }{\partial y} \end{bmatrix}$
计算往往用差分来近似，即
$G_{x} \approx f[i,j+1]-f[i,j]$
$G_{y} \approx f[i,j]-f[i+1,j]$
注意j对应x方向（列数），而i对应于y方向（行数）。运算可以通过下面的模板来实现
$G_{x}= \begin{pmatrix} 1,-1 \end{pmatrix}, G_{y}= \begin{pmatrix} 1\\ -1 \end{pmatrix}$
然而，从中心差分的角度来说，这是算出来的是点$[i,j+\frac{1}{2}]$的x的方向导数，点$[i+\frac{1}{2},j]$的y方向导数并不在意同一点上。因此，在实际计算中，可以用下面模板来计算导数值
$G_{x}= \begin{pmatrix} -1&1\\ -1&1 \end{pmatrix},G_{y}= \begin{pmatrix} 1&1\\ -1&-1 \end{pmatrix}$
由此可得到梯度的值$G[f(x,y)]=\sqrt {G_{x}^{2}+G_{y}^{2}}$，也可用$|G_{x}|+|G_{y}|$或$max(G_{x}|,|G_{y})$来近似，和上述模板不同，Roberts算子计算梯度$G[f(i,j)]=(|G_x|^2+|G_y|^2)^\frac 12$的模板是
$G_{x}= \begin{pmatrix} 1&0\\ 0&-1 \end{pmatrix},G_{y}= \begin{pmatrix} 0&1\\ -1&0 \end{pmatrix}$从平均的角度说，上述两个模板计算的都是$[i+\frac{1}{2},j+\frac{1}{2}]$梯度的近似值。
常用三阶模板
Sobel算子：计算$M=\sqrt{S_x^{2}+S_y^{2}}$
$S_x= \begin{pmatrix} -1&0&1\\ -2&0&2\\ -1&0&1 \end{pmatrix}S_y= \begin{pmatrix} -1&0&1\\ -2&0&2\\ -1&0&1 \end{pmatrix}$
Prewitt算子:
$S_x= \begin{pmatrix} -1&0&1\\ -1&0&1\\ -1&0&1 \end{pmatrix},S_y= \begin{pmatrix} 1&1&1\\ 0&0&0\\ -1&-1&-1 \end{pmatrix}$
二、二维数据的二阶导数
Laplace算子通过差分计算

将上述公式近似组合得模板
利用对中心点更大的权是有利的思想，Laplace近似为