图信号处理之图拉普拉斯矩阵的含义

图拉普拉斯矩阵$L$定义为图的度矩阵$D$减去图的(加权)邻接矩阵$W$。这一定义来自谱图论，在图信号处理理论中也非常常见。然而，图拉普拉斯矩阵为什么如此定义？它有什么含义？它与经典信号处理中的拉普拉斯算子有什么关系？这篇博文致力于回答关于图拉普拉斯矩阵的这几个问题。
本文将解释图信号的梯度和散度的定义，给出图拉普拉斯矩阵的另一个定义，并最终解释$L=D-W$的含义。为了便于理解，本文将以一个图信号的例子贯穿始终。

图信号也可以看作图函数

图信号是一种描述非结构化数据的数据表示形式。经典的数字信号处理的处理对象是时间信号，由一系列不同时间的采样点组成。这其中暗含着一种非常规则的数据结构，即每个采样点都按照时间顺序规则排列。然而，实际中我们常常需要处理非规则结构的数据，这些数据不仅包括本身的数值信息，还包括数据之间的结构关联信息。例如，交通网络，无线传感器网络，社交网络等等。图信号打破了经典数字信号处理的规则结构局限，致力于处理图结构上的信号。
例如我们关注如下图信号。

这个图信号由向量$\mathbf{f}=[3,5,-2,1,-5{]}^T$表示。与经典数字信号不同的是，这个图信号向量依托于特定的图 G = { V , E , W } \mathcal{G}=\{\mathcal{V},\mathcal{E},W\} G={ V,E,W}，其中 V = { A , B , C , D , E } \mathcal{V}=\{A,B,C,D,E\} V={ A,B,C,D,E}为节点集合， E = { A B , A C , B D , C D , D E , B E } \mathcal{E}=\{AB,AC,BD,CD,DE,BE\} E={ AB,AC,BD,CD,DE,BE}为边集合，$W$为图的邻接矩阵。
$$W=\left(\begin{array}{ccccc}0& 5& 3& 0& 0\\ 5& 0& 0& 7& 2\\ 3& 0& 0& 1& 0\\ 0& 7& 1& 0& 4\\ 0& 2& 0& 4& 0\end{array}\right)$$

以上即为图信号的表示方法。
下面我们解释本节的标题：图信号也可以看做图函数。
函数可以理解为由定义域向值域的映射。图信号与之相同，可以看作由节点域向实数域的映射$\gamma ：\mathcal{V}\to \mathbb{R}$，即每个节点对应一个实数值。本例子中，映射$\gamma$: 节点$A\to 3$, 节点$B\to 5$, 节点$C\to -2$, 节点$D\to 1$, 节点$E\to -5$.
由于本文主要关注图上的拉普拉斯算子，这是一个函数上的概念，因此接下来我们使用“图函数”这个名词。需要注意的是，这里的“图函数”就是“图信号”，只是在本文中我们不再区分这两个概念。

拉普拉斯算子 = 梯度的散度

对于函数$g(x,y,z)$来说，将拉普拉斯算子${\nabla }^2$作用于函数$g(x,y,z)$，就等价于求函数$g(x,y,z)$的梯度的散度。
函数$g(x,y,z)$为标量函数，其梯度为矢量场$\nabla g=\frac{\partial g}{\partial x}\cdot \vec{i}+\frac{\partial g}{\partial y}\cdot \vec{j}+\frac{\partial g}{\partial z}\cdot \vec{k}$, 其中每个点处的矢量都表示函数$g(x,y,z)$在该点的梯度，方向指向函数在此点变化最快的方向，大小表示变化的快慢。
对梯度$\nabla g$求散度，得到标量场，表示每个点处的梯度矢量是发散还是汇聚，散度为负值则表示此处的函数梯度矢量向内汇聚，散度为正值则表示此处的函数梯度矢量向外发散。$\nabla \cdot \nabla g={\nabla }^{2}g$，此处的${\nabla }^2$就被称为拉普拉斯算子。
总结起来，拉普拉斯算子即为求函数的梯度的散度。

为了解释图拉普拉斯矩阵，我们首先关注图信号的梯度，再关注图信号梯度的散度。

图信号的梯度

图信号理论中的许多概念都由经典数字信号处理推广获得。因此，为了获得图函数的梯度，我们首先回顾经典函数的梯度，并将其推广至图函数中。
经典函数$g(x,y,z)$的梯度为$\nabla g=\frac{\partial g}{\partial x}\cdot \vec{i}+\frac{\partial g}{\partial y}\cdot j$