图像处理之高斯一阶及二阶导数计算

 

图像的一阶与二阶导数计算在图像特征提取与边缘提取中十分重要。一阶与二阶导数的

作用，通常情况下：

一阶导数可以反应出图像灰度梯度的变化情况

二阶导数可以提取出图像的细节同时双响应图像梯度变化情况

常见的算子有Robot, Sobel算子，二阶常见多数为拉普拉斯算子，如图所示：


对于一个1D的有限集合数据f(x) = {1…N}, 假设dx的间隔为1则一阶导数计算公式如下：

Df(x) = f(x+1) – f(x-1) 二阶导数的计算公式为：df(x)= f(x+1) + f(x-1) – 2f(x);

稍微难一点的则是基于高斯的一阶导数与二阶导数求取，首先看一下高斯的1D与2D的

公式。一维高斯对应的X阶导数公式：


二维高斯对应的导数公式：


二：算法实现

1.      高斯采样，基于间隔1计算，计算mask窗口计算，这样就跟普通的卷积计算差不多

2.      设置sigma的值，本例默认为10，首先计算高斯窗口函数，默认为3 * 3

3.      根据2的结果，计算高斯导数窗口值

4.      卷积计算像素中心点值。

注意点：计算高斯函数一定要以零为中心点, 如果窗口函数大小为3，则表达为-1, 0, 1

三：程序实现关键点

1.      归一化处理，由于高斯计算出来的窗口值非常的小，必须实现归一化处理。

2.      亮度提升，对X,Y的梯度计算结果进行了亮度提升，目的是让大家看得更清楚。

3.      支持一阶与二阶单一方向X，Y偏导数计算

四：运行效果：