![4666065871b75fbd740a180fb3ce0acc.png](https://img-blog.csdnimg.cn/img_convert/4666065871b75fbd740a180fb3ce0acc.png)
最近在阅读
如何理解 Graph Convolutional Network(GCN)?www.zhihu.com![9c0a4e919c97e4cedcdc9f9e095fa624.png](https://img-blog.csdnimg.cn/img_convert/9c0a4e919c97e4cedcdc9f9e095fa624.png)
接触到了图论中的Laplacian矩阵,定义为
![4070b78d1dcdd8265b40b9640353854b.png](https://img-blog.csdnimg.cn/img_convert/4070b78d1dcdd8265b40b9640353854b.png)
这让我联想到二维图像处理时用的Laplace operator
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
(1) 一个标量场
(2) 一个向量场
Laplace运算定义为梯度的散度,根据定义可以写成:
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![b038093eef8bb6b8a9fbd59aa1af3ca0.png](https://img-blog.csdnimg.cn/img_convert/b038093eef8bb6b8a9fbd59aa1af3ca0.png)
它计算了空间中
2. 二维图像的Laplace算子
图像是离散的二维矩阵,记图像为
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。
3. 二维图像的Laplace算子转换到图论上
二维离散图像
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
如果把二维图像
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。