拉普拉斯算子属于卷积方法吗_二维图像中的Laplace算子和图论中的Laplacian矩阵...

最近在阅读

如何理解 Graph Convolutional Network（GCN）？​www.zhihu.com

接触到了图论中的Laplacian矩阵，定义为

，

是Laplacian矩阵，

是顶点的度矩阵，

是图的邻接矩阵。看图1的示例，就能很清楚知道

的计算过程。

图1 Laplacian矩阵的计算方法

这让我联想到二维图像处理时用的Laplace operator

，写成卷积核形式为：

为什么这两种运算都冠以Laplace之名？以下谈谈我的理解。

1. Laplace运算的定义

假设有函数

，其Laplace算子定义为

，为

梯度的 散度。其中

为梯度符号，

为散度符号。

(1) 一个标量场

的

梯度为 向量场，定义为：

。

(2) 一个向量场

的

散度为 标量场，定义为：

Laplace运算定义为梯度的散度，根据定义可以写成：

在空间中某点

的计算结果为标量。

关于Laplace运算结果的含义可以参看

Clyce：【其实贼简单】拉普拉斯算子和拉普拉斯矩阵​zhuanlan.zhihu.com

它计算了空间中

处，该点的梯度是倾向于增加还是减少。

2. 二维图像的Laplace算子

图像是离散的二维矩阵，记图像为

,

是坐标

的像素值。在离散图像中，一般用差分近似微分，而差分法包含向前差分

和向后差分

两种：

为了保证两次求梯度的对称性，分别做向前差分和向后差分。

在做Laplace运算后结果为：

表示Hadamard product（哈达马积），对于两个维度相同的向量、矩阵、张量进行对应位置的逐元素乘积运算。

3. 二维图像的Laplace算子转换到图论上

二维离散图像

可以按行展开为一个向量

，假设

，则：

向前微分算子

其中

同理向后微分算子

则

其中

同理很容易得到

。针对二维图像的Laplacian矩阵可以由

得到。

如果把二维图像

看做是一个图， 节点

看成一个节点并且和

四个节点相连，则

，这和二维图像的Laplacian矩阵

只差一个负号。

4. 谈谈自己的理解

文章中说明了标量场中一点的拉普拉斯计算结果是该点梯度的散度，更直白来说就是这点梯度的净流入（净流出）是多少。对于离散的系统而言（二维图像或者图），我们认为某节点某方向的梯度大小就是相邻节点的值减去该节点的值，而节点梯度的净流入等于该节点所有方向梯度大小的求和。二维图像的Laplace 矩阵和图论中Laplace矩阵差一个负号，是因为二维图像求的净流入的值，而图论求的是净流出的值。