卷积核——Roberts、Prewitt、Sobel、Lapacian、DoG、LoG算子

图像处理卷积核——算子

在对图像的操作，我们采用模板对原图像进行卷积运算，从而达到我们想要的效果。而获取一幅图像的梯度就转化为：模板（Roberts、Prewitt、Sobel、Lapacian算子）对原图像进行卷积。

一、算子推导过程

知识引入：
在一维连续数集上有函数f(x),我们可以通过求导获得该函数在任一点的斜率，根据导数的定义有：
$$f^{\prime }(x)=f(x+\Delta x)-f(x)$$
在二维连续数集上有函数f(x,y),我们也可以通过求导获得该函数在x和y分量的偏导数，根据定义有：
$$\frac{\partial f(x,y)}{\partial x}f(x+\Delta x,y)-f(x,y)$$

$$\frac{\partial f(x,y)}{\partial y}f(x,y+\Delta y)-f(x,y)$$

1.1 梯度和Roberts算子：

对于图像来说，是一个二维的离散型数集，通过推广二维连续型求函数偏导的方法，来求得图像的偏导数，即在(x,y)处的最大变化率，也就是这里的梯度：
$$g_x=\frac{\partial f(x,y)}{\partial x}f(x+1,y)-f(x,y)$$

$$g_y=\frac{\partial f(x,y)}{\partial y}f(x,y+1)-f(x,y)$$
梯度是一个矢量，则(x,y)处的梯度表示为：$\nabla f\equiv grad(f)\equiv [g_x,g_y{]}^T={\left[\begin{array}{c}\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}\end{array}\right]}^T$

其大小为：$M(x,y)=mag(\nabla f)=\sqrt{g_x^2+g_y^2}$

22大小的模板在概念上很简单， 但是他们对于用关于中心点对称的模板来计算边缘方向不是很有用，
其最小模板大小为33。3*3模板考虑了中心点对段数据的性质，并携带有关于边缘方向的更多信息。

1.2 Prewitt：

1.3 Sobel算子

Sobel算子是在Prewitt算子的基础上改进的，在中心系数上使用一个权值2，相比较Prewitt算子，Sobel模板能够较好的抑制（平滑）噪声。

为了工程化，减少计算量使用近似值计算公式，即实际梯度计算公式：

上述所有算子都是通过求一阶导数来计算梯度的，用于线的检测，在图像处理中，通常用于边缘检测。在图像处理过程中，除了检测线，有时候也需要检测特殊点，这就需要用二阶导数进行检测。

1.4 Lapacian算子：

模板中心位置的数字是-8而不是-4，是因为要使这些系数之和为0，当遇到恒定湖对区域时，模板响应应将0。(如下图1)
用lapacian算子图像进行卷积运算时，当响应的绝对值超过指定阈值时，那么该点就是被检测出来的孤立点，具体输出如下： (如下图2)

二、图像特征复杂算子

DoG(Difference of Gaussian)算子和LoG(Laplacian of Gaussian)算子是常用的极值点检测(Blob Detection)两种方法，高斯卷积是为了进行尺度变换。

由于Laplace算子对噪声很敏感，所以一般利用高通滤波器进行平滑处理，所以引入了高斯拉普拉斯算子(LoG,Laplacian of Gaussian)

高斯拉普拉斯算子(LoG,LaplacianofGaussian)对于图像 I(x,y)：

• 首先通过尺度为 $\sigma$ 的高斯平滑
  $$G_{\sigma }(x,y)=\frac{1}{\sqrt{2\pi {\sigma }^2}}\exp \left(-\frac{x^2+y^2}{2{\sigma }^2}\right)$$
• 再使用Laplace算子检测边缘：
  $$\Delta [G_{\sigma }(x,y)\ast I(x,y)]=[\Delta G_{\sigma }(x,y)]\ast I(x,y)$$
  证明如下：
  $$\begin{array}{rl}\frac{d}{d{t}^2}[h(t)\ast f(t)]& =\frac{d}{dt}\int f(\tau )h(t-\tau )d\tau \\ & =\int f(\tau )\frac{d}{d{t}^2}h(t-\tau )d\tau \\ & =f(t)\ast \frac{d}{d{t}^2}h(t)\end{array}$$
• 总而言之：高斯拉普拉斯算子等价于先对高斯函数求二阶导，再与原图进行卷积。
  将高斯拉普拉斯算子展开：
  $$\begin{array}{rl}LoG=\Delta G_{\sigma }(x,y)& =\frac{{\partial }^2\Delta G_{\sigma }(x,y)}{\partial x^2}+\frac{{\partial }^2\Delta G_{\sigma }(x,y)}{\partial y^2}\\ & =\frac{x^2+y^2-2{\partial }^2}{{\sigma }^4}\exp \left(-\frac{(x^2+y^2)}{2{\sigma }_2^2}\right)\end{array}$$

高斯函数差分(DoG, Difference of Gaussian of Gaussian)

DoG即对不同尺度下的高斯函数的差分，DoG算子表达如下:
$$DoG=\Delta G_{\sigma 1}-\Delta G_{\sigma 2}=\frac{1}{\sqrt{2\pi }}\left[\frac{1}{{\sigma }_1}\exp \left(-\frac{(x^2+y^2)}{2{\sigma }_1^2}\right)-\frac{1}{{\sigma }_2}\exp \left(-\frac{(x^2+y^2)}{2{\sigma }_2^2}\right)\right]$$

由于归一化的LoG算子：
$$L_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}={\sigma }^2\left[G_{xx}(x,y,\sigma )+G_{yy}(x,y,\sigma )\right]=\sigma \frac{\partial G}{\partial \sigma }$$

而：
$$\frac{\partial G}{\partial \sigma }\approx \frac{G(x,y,k\sigma )-G(x,y,\sigma )}{k\sigma -\sigma }$$

所以：$\mathbf{G}(\mathbf{x},\mathbf{y},\mathbf{k}\mathbf{\sigma })-\mathbf{G}(\mathbf{x},\mathbf{y},\mathbf{\sigma })\approx (\mathbf{k}-1){\mathbf{\sigma }}^2{\nabla }^2\mathbf{G}$

即DoG算子和LoG算子具有类似的波形，仅仅是幅度不同，不影响极值点的检测，而DoG算子的计算复杂度显然低于LoG，因此一般使用DoG代替LoG算子。