精华内容
参与话题
问答
  • 拉普拉斯变换的本质意义(好文!通俗易懂)

    万次阅读 多人点赞 2018-12-18 15:42:54
    本文将从通俗的角度看待拉普拉斯变换。 发明者 奥列弗.赫维赛德,维多利亚时期英国人,全靠自学,听力残疾。很多人熟悉赫维赛德是因为MATLAB有一个赫维赛德(Heaviside)函数。 赫维赛德简化了麦克斯韦方程...

    本文将从通俗的角度看待拉普拉斯变换。

    • 发明者

    奥列弗.赫维赛德,维多利亚时期英国人,全靠自学,听力残疾。很多人熟悉赫维赛德是因为MATLAB有一个赫维赛德(Heaviside)函数。
    在这里插入图片描述
    赫维赛德简化了麦克斯韦方程组:即变化的电场产生磁场,变化的磁场产生电场。让20个方程组便成了4个。
    **赫维赛德另一个贡献就是我们今天要说的运算微积分-它可以将常微分方程转换为普通代数方程。**赫维赛德是怎么解微分方程的呢?他把微分、积分运算用一个简单的算子来代替。

    在这里插入图片描述
    也就是说,在某种算子下,积分和微分对应的是倒数关系,至于算子 p 代表什么,赫维赛德也没有多解释,在缺乏严密数学基础的情况下,人家直接放在文章就用了,还发表了。比如常见的一个二阶常微分方程,
    在这里插入图片描述
    如果用赫维赛德的微分算子变换一下,就变成了代数表达式。
    在这里插入图片描述
    赫维赛德之所以这么做,是因为他的“物理直觉”告诉他这么做,就是这么硬。这显然是一种开外挂的行为,因此也受到当时的主流数学家们们的攻讦,他们认为赫维赛德就是十足的“民科”,文章没什么理论依据,自己在那空想呢。当然,赫维赛德也不是弱鸡,科学家怼起人来,也是毫不含糊:“因为我不能理解消化过程就拒绝晚餐吗?不,只要我满意这个结果。”
    好了,扯了那么远,有童鞋已经不耐心了:这些和拉普拉斯变换有什么关系?谜底就是:赫维赛德的微积分算子,就是拉普拉斯变换的前身。

    • 傅里叶变换(轻量版拉普拉斯变换)

    在说拉普拉斯变换以前,我们要先提一下傅里叶变换,这可以看成是轻量版的拉普拉斯变换。傅里叶变换说的是什么事?说的是自然界的很多现象,都可以用三角函数进行分解。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    clc;clear;
    h = animatedline;
    xl=xlabel('cos(\omegat)');% 
    yl=ylabel('sin(\omegat)');% 
    grid on;
    title('\omega = 1rad/s   Made by J Pan')
    axis([-1,1,-1,1]);
    axis square;
    N = 100;
    t=linspace(0,2*pi,N);
    w=1;
    x=cos(w*t);
    y=sin(w*t);
    a = tic; % start timer
    for k = 1:N
        addpoints(h,x(k),y(k));
        hold on
        quiver(0,0,x(k)*1.1,y(k)*1.1)
        b = toc(a); % check timer
        if b > (1/90)
            drawnow % update screen every 1/30 seconds
            a = tic; % reset timer after updating
        end
    end
    

    在这里插入图片描述
    在这里插入图片描述
    你能想象到很多曲线,都可以用这些不同频率,连续旋转的圆,通过线性叠加得到,而傅里叶定律,就是对这个结论的数学描述。
    傅里叶定律说:只要一个函数满足如狄利赫里条件,都能分解为复指数函数之和,哪怕是如拉格朗日提到的带有棱角的方波函数。狄利赫里条件为:
    在这里插入图片描述
    其中可去间断点和跳跃间断点属于第一类间断点
    于是就可以很好的解释拉格朗日和傅里叶之间的争论了——拉格朗日是对的:正弦曲线无法组合成一个带有棱角的信号,棱角处会有很小高频波动(吉布斯现象)。但是,我们可以用正弦曲线来非常逼近地表示它,逼近到两种表示方法不存在能量差别,基于此,傅里叶也是对的。一个从数学家的角度,一个从工程师的角度。

    • 拉普拉斯变换-原来就是这么回事
      傅里叶变换能帮我们解决很多问题,一经问世后便受到广大工程师们的喜爱,因为它给人们提供了一扇不同的窗户来观察世界,从这个窗户来看,很多事情往往变得简单多了。但是,别忘了,傅里叶变换有一个很大局限性,那就是信号必须满足狄利赫里条件才行,特别是那个绝对可积的条件,一下子就拦截掉了一大批函数。比如函数 f(t)=t^2 就无法进行傅里叶变换。这点难度当然拿不到聪明的数学家们,他们想到了一个绝佳的主意:把不满足绝对的可积的函数乘以一个快速衰减的函数,这样在趋于无穷 时原函数也衰减到零了,从而满足绝对可积。
      在这里插入图片描述
      在这里插入图片描述
      这里我要补充一下,不是为了保证一直为衰减,指数函数,要衰减,在负半轴也是衰减的,要增加,在正负半轴都是增加的。是因为在我们关心的系统中,不对时间的负半轴作分析。因此,我们更多使用单边的拉普拉斯变换,而不是使用双边的拉普拉斯变换,这样的系统称之为因果系统不需要考虑 t=0 时的系统初始条件。
      我知道大部分人前面的数学推导没什么兴趣,接下来就是放彩蛋的时刻了,很多童鞋会说不管傅里叶变换或者拉普拉斯变换是什么细节,你能说点有意思的,让人能记忆深刻的信息吗?
      在这里插入图片描述
      在这里插入图片描述
    clc;clear;
    h = animatedline;
    h1=gcf;
    view(3);
    xl=xlabel('cos(\omegat)');% 
    yl=ylabel('sin(\omegat)');% 
    zl=zlabel('t');% 
    set(xl,'Rotation',30);% 
    set(yl,'Rotation',-30);%
    grid on;
    title('\omega = 1rad/s   Made by J Pan')
    axis([-1,1,-1,1,0,4*pi])
    N = 200;
    t=linspace(0,4*pi,N);
    w=1;
    x=cos(w*t);
    y=sin(w*t);
    a = tic; % start timer
    for k = 1:N
        addpoints(h,x(k),y(k),t(k));
        hold on
        line([0 x(k)],[0 y(k)],[t(k) t(k)],'Color','red')
        b = toc(a); % check timer
        if b > (1/90)
            drawnow % update screen every 1/30 seconds
            a = tic; % reset timer after updating
        end
    end
    

    在这里插入图片描述
    在这里插入图片描述

    clc;clear;
    h = animatedline;
    h1=gcf;
    view(3);
    xl=xlabel('cos(\omegat)');% 
    yl=ylabel('sin(\omegat)');% 
    zl=zlabel('t');% 
    set(xl,'Rotation',30);% 
    set(yl,'Rotation',-30);%
    grid on;
    title('\omega = 1rad/s   Made by J Pan')
    axis([-1,1,-1,1,0,4*pi])
    N = 200;
    t=linspace(0,4*pi,N);
    w=1;sig=-0.2;
    x=exp(sig*t).*cos(w*t);
    y=exp(sig*t).*sin(w*t);
    a = tic; % start timer
    for k = 1:N
        addpoints(h,x(k),y(k),t(k));
        hold on
        line([0 x(k)],[0 y(k)],[t(k) t(k)],'Color','red')
        b = toc(a); % check timer
        if b > (1/90)
            drawnow % update screen every 1/30 seconds
            a = tic; % reset timer after updating
        end
    end
    

    螺旋曲线和衰减函数的乘积:一个半径不断减小的螺旋曲线。从不同的平面看,就是不断衰减的正弦或者余弦曲线,从复平面来看,是一个半径不断减小的圆。
    在这里插入图片描述

    https://zhuanlan.zhihu.com/p/40783304

    总结一下:傅里叶变换是将函数分解到频率不同、幅值恒为1的单位圆上;拉普拉斯变换是将函数分解到频率幅值都在变化的圆上。因为拉普拉斯变换的基有两个变量,因此更灵活,适用范围更广。

    本文大量引用了
    https://zhuanlan.zhihu.com/p/40783304
    对此表示感谢

    展开全文
  • 拉普拉斯的原理

    万次阅读 2014-12-01 22:11:36
    拉普拉斯是一种二阶导数算子,是一个与方向无关的各向同性(旋转轴对称)边缘检测算子。若只关心边缘点的位置而不顾其周围的实际灰度差时,一般选择该算子进行检测。 拉普拉斯算子为二阶差分,其方向信息丢失,常...

    拉普拉斯是一种二阶导数算子,是一个与方向无关的各向同性(旋转轴对称)边缘检测算子。若只关心边缘点的位置而不顾其周围的实际灰度差时,一般选择该算子进行检测。
    拉普拉斯算子为二阶差分,其方向信息丢失,常产生双像素,对噪声有双倍加强作用,因此它很少直接用于边缘检测。一般是将高斯滤波和拉普拉斯边缘检测结合在一起,即log算子优化而成的-----先用高斯算子对图像进行平滑,然后采用拉普拉斯算子根据二阶微分过零点来检测图像边缘。

     

     

    锐化空间滤波器
     

    锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节,这种模糊不是由于错误操作,就是特殊图像获取方法的固有影响。图像锐化处理的方法多种多样,其也包括多种应用,从电子印像和医学成像到工业检测和军事系统的制导,等等。

    在最后一节中,我们将看到在空间域用像素邻域平均法可以使图像变模糊。因为均值处理与积分相类似,从逻辑角度我们可以断定,锐化处理可以用空间微分来完成。在这一节中将讨论数字微分锐化的各种定义及其实现算子。总的来说,微分算子的响应强度与图像在该点(应用了算子)的突变程度有关。这样一来,图像微分增强了边缘和其他突变(如噪声)并削弱了灰度变化缓慢的区域。

    一.基础

    在以下两节中,我们将分别讨论基于一阶和二阶微分的细节锐化滤波器。在讨论具体滤波器之前,还是先回顾一下数学中微分的某些基本性质。为了说明简单,主要集中讨论一阶微分的性质。我们最感兴趣的微分性质是恒定灰度区域(平坦段)、突变的开头与结尾(阶梯和斜坡突变)及沿着灰度级斜坡处的特性。这些类型的突变可以用来对图像中的噪声点、细线与边缘模型化。在向()这些图像特性过渡时的微分性质也很重要。

    数学函数的微分可以用不同的术语定义,也有各种方法定义这些差别,然而,对于一阶微分的任何定义都必须保证以下几点:(1)在平坦段(灰度不变的区域)微分值为零;(2)在灰度阶梯或斜坡的起始点处微分值非零;(3)沿着斜坡面微分值非零。任何二阶微分的定义也类似:(1)在平坦区微分值必为零;(2)在灰度阶梯或斜坡的起始点处微分值非零;(3)沿着斜坡面微分值非零。因为我们处理的是数字量,其值是有限的,故最大灰度级的变化也是有限的,变化发生的最短距离是在两相邻像素之间。对于一元函数,f(x)表达一阶微分的定义是一个差值:

      拉普拉斯的原理 

    这里,为了与对二元图像函数f(x,y)求微分时的表达式保持一致,使用偏导数符号。对二元函数,我们将沿着两个空间轴处理偏微分。当前讨论的空间微分的应用并不影响我们试图完成的任何方法的本质。

    类似地,用差分定义二阶微分:

    拉普拉斯的原理

    很容易证实这两个定义满足前面所说的一阶、二阶微分的条件。为了解这一点,研究示于图3.38的例子,并强调一下在图像处理中一阶和二阶微分 间的相同及不同点。

    3.38(a)是一幅简单图像,其中包含各种实心物体、一条线及一个单一噪声点。图3.38(b)是沿着中心并包含噪声点的此图像的水平剖面图。这张剖面图是将要用以说明该图的一维函数。图3.38(c)示出的是简化的剖面图,在这张图中我们取了足够多的点以便于分析噪声点、线及物体边缘的一阶和二阶微分结果。在简化图中,斜坡的过渡包含四个像素,噪声点是一个单一像素,线有三个像素粗,而灰度阶梯的过渡变化在相邻像素之间发生。灰度级数目简化为只有8个等级。

    拉普拉斯的原理

    从左向右横穿剖面图讨论一阶和二阶微分的性质。首先,我们注意到,沿着整个斜坡,一阶微分值都不是零,而经二阶微分后,非零值只出现在斜坡的起始处和终点处。因为在图像中,边缘类似这种类型的过渡,由此,我们得出结论,一阶微分产生较粗的边缘,而二阶微分则细得多。其次,我们来讨论孤立的噪声点。这里,在该噪声点及周围点上,二阶微分比一阶微分的响应要强很多,当然,这是我们所不希望的。在进行锐度变化增强的处理中,二阶微分比一阶微分更好,所以,可以预料在做细节增强处理时二阶微分比一阶微分强得多。细线可以看做一细节,基本可以看到两种微分处理后的同样的区别。如果这条细线的最大灰度值与孤立点相同,那么经二阶微分后的响应对于后者更强烈。最后,在本例中,灰度阶梯上的两种微分结果相同(在大部分情况下,不是从0过渡到阶梯时,二阶微分结果的灰度级更弱一些)。我们还注意到,二阶微分有一个过渡,即从正回到负。在一幅图像中,该现象表现为双线。这一双边缘效果在第10章中将作为一个重要问题讨论。这里,我们把微分用于边缘检测。另外,我们还注意到重要的一点,即如果细线的灰度与阶梯相同,那么对二阶微分处理的响应,细线要比阶梯强。

    总之,通过比较一阶微分处理与二阶微分处理的响应,我们得出以下结论:(1)一阶微分处理通常会产生较宽的边缘;(2)二阶微分处理对细节有较强的响应,如细线和孤立点;(3)一阶微分处理一般对灰度阶梯有较强的响应;(4)二阶微分处理对灰度级阶梯变化产生双响应。我们还注意到,二阶微分在图像中灰度值变化相似时,对线的响应要比对阶梯强,且点比线响应强。

    大多数应用中,对图像增强来说,二阶微分处理比一阶微分好一些,因为形成增强细节的能力好一些。由于这一原因及实现和扩展都简单,对图像增强我们开始注意应用二阶微分处理。一阶微分处理将在3.7.3节中讨论。尽管一阶微分在图像处理中主要用于边缘提取,但它们在图像增强中也起着很大作用。事实上,我们将在3.8节中与二阶微分结合起来应用以达到更好的增强效果。

     


    二.基于二阶微分的图像增强——拉普拉斯算子

    在本节中,将详细介绍二元函数的二阶微分在图像增强处理中的应用。首先定义一个二阶微分的离散公式,然后构造一个基于此式的滤波器。我们最关注的是一种各向同性滤波器,这种滤波器的响应与滤波器作用的图像的突变方向无关。也就是说,各向同性滤波器是旋转不变的,即将原始图像旋转后进行滤波处理给出的结果与先对图像滤波,然后再旋转的结果相同。

    处理方法

    可以看出(RosenfeldKak[1982])最简单的各向同性微分算子是拉普拉斯算子,一个二元图像函数f(x,y)的拉普拉斯变换定义为:

    拉普拉斯的原理          (3.7.1)

    因为任意阶微分都是线性操作,所以拉普拉斯变换也是一个线性操作。

    为了更适合于数字图像处理,这一方程需要表示为离散形式。通过邻域处理有多种方法定义离散变换,但无论怎样定义,都必须符合3.7.1节中提到的二阶微分处理的性质。在上一节中给出的数字二阶微分处理的定义是最常用的一种。考虑到有两个变量,因此,我们在x方向上对二阶偏微分采用下列定义:

    拉普拉斯的原理    (3.7.2)

    类似地,在y方向上为:

    拉普拉斯的原理     (3.7.3)

    (3.7.1)中的二维拉普拉斯数字实现可由这两个分量相加得到:

    拉普拉斯的原理 (3.7.4)

    这个公式可以用图3.39(a)所示的掩模来实现,它们给出了以90o旋转的各向同性的结果。实现机理在式(3.5.1)中给出,并在3.6.1节线性平 滑滤波器中已讲述过,我们在这里只是简单地使用了不同的系数。

    拉普拉斯的原理

    对角线方向也可以加入到离散拉普拉斯变换的定义中.只需在式(3.7.4)中添入两项,即两个对角线方向各加一个。每一个新添加项的形式与式(3.7.2)或式(3.7.3)类似,只是其坐标轴的方向沿着对角线方向。由于每个对角线方向上的项还包含一个-2f(x,y),所以,现在从不同方向的项上减去的总和是-8f(x,y)。执行这一新定义的掩模如图3.39(b)所示。这种掩模对45o增幅的结果是各向同性的。图3.39所示的另外两个掩模在实践中也经常使用。这两个掩模也是以拉普拉斯变换定义为基础的,只是其中的系数与我们在这里所用到的符号相反而已。正因如此,它们产生等效的结果,但是,当拉普拉斯滤渡后的图像与其他图像合并时(相加或相减),则必须考虑符号上的差别。

    由于拉普拉斯是一种微分算子,它的应用强调图像中灰度的突变及降低灰度慢变化的区域。这将产生一幅把图像中的浅灰色边线和突变点叠加到暗背景中的图像。将原始图像和拉普拉斯图像叠加在一起的简单方法可以保护拉普拉斯锐化处理的效果,同时又能复原背景信息。正如上一段中讲到的,记住所使用的拉普拉斯定义是很重要的。如果所使用的定义具有负的中心系数,那么,就必须将原始图像减去经拉普拉斯变换后的图像而不是加上它,从而得到锐化的结果。所以,我们使用拉普拉斯变换对图像增强的基本方法可表示为下式:

    拉普拉斯的原理    (3.7.5)

    这一公式的应用在后面说明。

     

    3.11 用拉普拉斯的图像锐化

    3.40(a)显示了一幅月球北极的照片。图3.40(b)显示了用图3.39(b)中的拉普拉斯掩模对该图像滤波后的结果。由于拉普拉斯图像中既有正值又有负值,一个典型的标定方法是使用在3.41节中末尾讨论的方法。为了这一目的,有时会用到绝对值,但是,这的确是不正确的.因为,它会产生近似等于其大小的双线,使图像变模糊。

    拉普拉斯的原理

    为了显示,图3.40(c)所示的图像用刚才描述的方法进行了标定。注意,这幅图像最突出的特点是边缘度各级灰度值突变处的锐化灰度级。前边谈到的接近黑色的背景由于标定,而呈灰色。这一呈现浅灰色的现象是典型的被适当标定的拉普拉斯图像。最后图3.40(d)显示了用式(3.7.5)处理得到的结果。该图像的细节比原始图像更加清晰。将原始图像加到拉普拉斯的处理结果中去就可以使图像中的 各灰度值得到复原,而且通过拉普拉斯变换增强了图像中灰度突变处的对比度。最终结果是使图像中小的细节部分得到增强并良好保留了图像的背景色调。基于拉普拉斯变换的图像增强已成为图像锐化处理的一个基本工具。

     

    简化

    在上一例中,我们首先计算拉普拉斯过滤图像,然后,从原始图像减掉该图像来实现式(3.7.5)。这样做是为了教学目的,以说明处理过程中每一步的作用。在实际运用中,式(3.7.5)通常用单一掩模的一次扫描来实现。单一掩模的系数很容易由式(3.7.5)中的第一行替代式(3.7.4)中的f(x,y)得到:

    拉普拉斯的原理   (3.7.6)

    该式通过图3.41(a)所示的掩模来实现。如果对角线方向上的邻值也包含在拉普拉斯计算中,应该使用图3.4l(b)中所示的掩模。如果用式(3.7.5)中的第二行代替式(3.7.4)的负值,将会产生相同的掩模。

    拉普拉斯的原理

     

    3.12  使用复合拉普拉斯掩模的图像增强

    经包含有对角分量的掩模进行处理得到的结果一般比用图3.41(a)那些更基本掩模处理的所得结果更为锐化。这种性质可以用图3.4l(d)(e)所示的经拉普拉斯滤波处理的图像加以说明,其中图(d)(e)分别是原始图像通过图3.41(a)(b)中的格模处理的结果。通过将被处理的图像与原始图像3.41(c)进行比较,可以看出这两种掩模产生了有效的增强,但是,使用图3.41(b)掩模处理后的结果锐化得曼明显。图3.4l(c)是一幅烧坏的钨丝的扫描电子显微镜图像,放大了250.

     由于拉普拉斯变换是线性算子,可以将式(3.7.5)看成两种线性处理之差,从而得到与图3.41(a)和图3.41(b)中相同的混合掩模。即,把f(x,y)看成是用一个掩模处理其自身,该掩模在中心处有一个单位系数而其他地方系数均为0。方程的第二项则是一幅用图3.39的拉普拉斯掩模之一处理过的相同图像。由于是线性,在式(3.7.5)中用单位中心掩模及那些拉普拉斯掩模之一得到的结果将与从单位中心掩模中加上或减去拉普拉斯掩模形成的单一掩模得到的结果相同。 

    反锐化掩蔽与高提升滤波处理

    长期以来在出版业中使用的图像锐化处理是将图像模糊形式从原始图像中去除。这种处理被称为图像的反锐化掩蔽,可以表示为:

                拉普拉斯的原理               (3.7.7)

    其中fs(x,y)表示经过反锐化掩蔽得到的锐化图像,是f(x,y)的模糊形式。反锐化掩蔽处理最早应用于摄影暗室中,将一张模糊的负片与相应的正片卷合在一起,然后,冲洗这一混合的胶片得到一张更为清晰的照片。

    反锐化掩蔽进一步的普遍形式称为高提升滤波。在图像中任何一点(x,y)处,高提升滤波后的图像fbb可定义如下:

           拉普拉斯的原理              (3.7.8)

    其中A1,与前式一样,是 的模糊形式,此式也可以写成:

    拉普拉斯的原理   (3.7.9)

    结合式(3.7.7),我们可以得到:

        拉普拉斯的原理             (3.7.l0)

    这一表达式可计算高提升滤波图像。

    (3.7.l0)在一般情况下都成立,但并不能说明锐化图像是怎么得到的。如果我们选择拉普拉斯变换,就可以知道fs(x,y)是通过式(3.7.5)得到的。在这种情况下,式(3.7.l0)变成:

    拉普拉斯的原理   (3.7.l1)

    高提升滤波处理可以通过任何一个图3.42所示的掩模得以实现。我们注意到,当A=1时,高提升滤波处理就是标准的拉普拉斯变换。随着A超过l不断增大,锐化处理的效果越来越不明显。最终,当A足够大时,高提升图像将近似等于经常数调制的图像。

    拉普拉斯的原理

    313用高提升滤波器增强图像

    提升滤波的主要应用之一是输入图像太暗时的处理。通过使用不同的提升系数,通常可以使图像整体的平均灰度值增加,从而使最后结果提高图像的亮度。图3.43向我们展示了这一应用。图3.43(a)与图3.41(c)相比较暗。图3.43(b)是经过图3.42(b)中所示的拉普拉斯掩模处理的结果,其中A=0。图3.43(c)是经过图3.42(b)所示的拉普拉斯将模处理的结果,其中A=1。正如我们预料的那样,图像被锐化了。但结果仍然像原始图像那么暗。最后,图3.43(a)显示了用A=1.7处理的结果。这是一个更能接受的处理结果,其平均灰度增走了,因此图像看上去更亮、更自然了。

    拉普拉斯的原理


    三.基于一阶微分的图像增强——梯度法 

    在图像处理中,一阶微分是通过梯度法来实现的。对于函数f(x,y),在其坐标(x,y)上的梯度是通过一个二维列向量来定义的:

    拉普拉斯的原理             (3.7.12)

    这个向量的模值由下式给出:

    拉普拉斯的原理          (3.7.13)

    尽管梯度向量的分量本身是线性算子,但这一向量的模值显然不是线性的,这是由于用到了平方和开方运算。另外,式(3.7.l2)中的偏导数并非是旋转不变的(各向同性),但梯度向量的模值却是各向同性的。尽管这样说在严格意义上并不正确,但我们一般把梯度矢量的模值称为梯度。为保持惯例,在以下的讨论中将使用这一术语,只有当它们两者会引起混淆时,才对向量和它的模值加以明确区分。

       当对整幅图像进行式(3.7.l3)的计算时运算量很大,因此,在实际操作中,常用绝对值代替平方与平方根运算近似求梯度的模值:

    拉普拉斯的原理 (3.7.14)

    这个公式计算起来较为简单并且保持着灰度的相对变化,但各向同性特性通常就不存在了。然而,对于拉普拉斯变换的情况,下一段定义的数字梯度的各向同性性质只是对有限数量的旋转增量而言的,这主要取决于所用的近似微分处理的掩模。正如证明的那样,最流行的用于近似梯度处理的掩模仅对水平与垂直边缘给出相同的结果,而梯度处理的各向同性只对90°的倍数才能保持。这个结果与我们是使用式(3.7.13)还是式(3.7.14)没有什么关系,所以使用两个公式中较简单的算法对实际处理并没有什么影响。

    拉普拉斯的原理

    与拉普拉斯情况一样,现在对上述公式定义数字近似方法,并由此得出合适的滤波掩模。为了便于讨沦,我们使用图3.44(a)中的符号来表示3×3区域的图像点。例如,若中心点z5表示f(x,y),那么z1就代表f(x-ly-1),以此类推。正如3.7.1节中提到的,满足该节规定条件的一阶微分最简单的近似处理就是Gx=(z8-z5)Gy=(z6-z5)。先前的数字图像处理中,由Robert[1965]提出的另两种定义使用了交叉差分算法:

    拉普拉斯的原理    (3.7.15)

    如果我们选用式(3.7.13),可以按如下所示计算梯度:

    拉普拉斯的原理       (3.7.16)

    如果我们使用绝对值,并将式(3.7.15)代人式(3.7.l4),就给出了梯度的近似算法:

    拉普拉斯的原理              (3.7.17)

    这个公式可以通过图3.44(b)(c)所示的两个掩模得以实现,这些掩模称为Robert交叉梯度算子.

    偶数尺寸的掩模并不好用。我们感兴趣的是尺寸为3×3的最小滤波器掩模。还是在点z5使用绝对值并使用3×3掩模的近似结果为:

                       (3.7.18)

                                                                                                   

    3×3图像区域中,第三行与第一行间的差接近于x方向上的微分,同样,第三列与第一列间的差接近于y方向上的微分。图3.44(d)(e)所示的处理掩模称为Sobel算子,它可通过式(3.5.1)的机理实现式(3.7.18)。使用权重2的思想是,通过突出中心点的作用而达到平滑的目的(这一点将在第10章中做详细介绍)。我们注意到,图3.44中所示的所有处理掩模中的系数总和为0,这表明灰度恒定区域的响应为0,正如微分算子的期望值那样。

     

    314用于边缘增强的梯度处理

    梯度处理经常用于工业检刹、辅助人工检测缺陷,或者是更为通用的自动检测的预处理。我们将在第10章和第11章中对此做更多的介绍。为了解释梯度处理能用来突出图像中的小缺陷并能去除变化缓慢的背景特点,我们考虑一个例子。在这个特殊例子中,增强用于自动检测的预处理,而不是视觉分析。

    3.45(a)是一幅隐形眼镜的光学图像,显示了用所设计的光装置突出隐形眼镜的缺陷.例如,在隐形眼镜边缘类似时钟4点和5点处的两个边缘缺陷。图3.45(b)是原始图像用式(3.7.14)与图3.44(d)(e)中的两个Sobel掩模处理得到的梯度图像。在该图像中,边缘缺陷清晰可见,但是,又增加了一个优点,即 灰度不变或变化缓慢的底纹部分被去除了.这样使得缺陷更为突出,且大大简化了自动检测的计算任务。还注意到,梯度处理突出了小斑点,而它们在灰度图像中是看不见的(像这样的小斑点可以是外来物、溶解过程中的气泡、隐形眼镜中的小缺陷)。在灰度平坦区域中增强小突变的能力是梯度处理的另外一项重要特性。

    拉普拉斯的原理






    转载:http://blog.sina.com.cn/s/blog_6e7e94bc0100o9lr.html


    展开全文
  • 拉普拉斯变换理解

    千次阅读 2018-07-31 22:40:19
    傅立叶变换能够把任何连续周期信号由一组适当的正弦曲线逼近的表示出来 傅立叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换利用直接测量到的...

    傅立叶变换能够把任何连续周期信号由一组适当的正弦曲线逼近的表示出来 傅立叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。然后,和傅立叶变换对应的是反傅立叶变换。该反变换从本质上说也是一种累加处理,这样就可以将单独改变的正弦波信号转换成一个信号。因此,可以说,傅立叶变换将原来难以处理的时域信号转换成了易于分析的频域信号(信号的频谱),可以利用一些工具对这些频域信号进行处理、加工。最后再可以利用傅立叶反变换将这些频域信号转换成时域信号。因此,傅立叶变换的物理意义可以理解为,在时域表示的信号,通过傅立叶变换分解为多个正弦信号的叠加,这样每个正弦信号用幅度、频率、相位就可以完全表征了。傅里叶变换之后的信号通常被称为频谱,频谱又包括幅度谱和相位谱,分别表示幅度随频率的分布及相位随频率的分布。对一个信号来说,就包含的信息量来讲,时域信号及其相应的傅里叶变换之后的信号是完全一样的。那傅里叶变换有什么作用呢?因为有的信号主要在时域表现其特性,如电容充放电的过程;而有的信号则主要在频域表现其特性,如机械的振动,人类的语音等。若信号的特征主要在频域表示的话,则相应的时域信号看起来可能杂乱无章,但在频域则解读非常方便。在实际中,当我们采集到一段信号之后,在没有任何先验信息的情况下,直觉是试图在时域能发现一些特征,如果在时域无所发现的话,很自然地将信号转换到频域再看看能有什么特征。信号的时域描述与频域描述,就像一枚硬币的两面,看起来虽然有所不同,但实际上都是同一个东西。正因为如此,在通常的信号与系统的分析过程中,傅立叶变换显得尤为重要。
    那么,既然傅立叶变换如此重要,为什么还有拉普拉斯变换及Z变换呢?原因就在傅里叶变换虽然好用,而且物理意义明确,但有一个最大的问题是其存在的条件比较苛刻,比如时域内绝对可积的信号才可能存在傅里叶变换。因此,拉普拉斯便将傅立叶的理论进行了推广,发展出了拉普拉斯变换。
    在自然界,指数信号ex是衰减最快的信号之一,对信号乘上指数信号之后,很容易满足绝对可积的条件。因此将原始信号乘上指数信号之后一般都能满足傅里叶变换的条件,这种变换就是拉普拉斯变换。所以说,傅立叶变换可以看成是拉普拉斯变换的一种特殊形式,即所乘的指数信号为e0。也就是说拉普拉斯变换是傅里叶变换的推广,是一种更普遍的表达形式。所以在进行信号与系统的分析过程中,可以先得到拉普拉斯变换这种更普遍的结果,然后再得到傅里叶变换这种特殊的结果。这种由普遍到特殊的解决办法,已经证明在连续信号与系统的分析中能够带来很大的方便。
    但是自然界中的信号除了连续信号之外,还有大量的不连续信号,即离散信号。考虑到这个问题,Z变换便应运而生了,Z变换可以说就是针对离散信号与系统的拉普拉斯变换,所以Z变换的重要性也就不言而喻了,当然也就很容易理解Z变换和傅里叶变换以及拉普拉斯变换之间的关系了。Z变换中的Z平面与拉普拉斯中的S平面存在映射的关系,z=eTs。在Z变换中,单位圆上的结果即对应离散时间傅里叶变换的结果。
    正是傅立叶变换、拉普拉斯变换及Z变换这些数学变换的产生与发展才推动了信号与系统的前进,才带来了我们如今高效、便捷的信息时代。所以说,对信号进行数学变换有着重要的物理意义,我们必须认真学习这些数学变换,这样才能更好的掌握信号与系统的学习,才能更好的认识我们的信息社会。

    展开全文
  • 拉普拉斯-Laplacian

    2019-05-08 19:52:08
    使用中心为5的8邻域拉普拉斯算子与图像卷积可以达到锐化增强图像的目的,拉普拉斯算子如下图所示: Mat image = imread("test.jpg", 1); imshow("原图像", image); Mat imageEnhance; Mat kernel = (Mat_<...

    使用中心为5的8邻域拉普拉斯算子与图像卷积可以达到锐化增强图像的目的,拉普拉斯算子如下图所示:

    	Mat image = imread("test.jpg", 1);
    	imshow("原图像", image);
    	Mat imageEnhance;
    	Mat kernel = (Mat_<uchar>(3, 3) << 0, -1, 0, 0, 5, 0, 0, -1, 0);
    	filter2D(image, imageEnhance, CV_8UC3, kernel);
    	imshow("拉普拉斯算子增强效果", imageEnhance);

     拉普拉斯算子还可以表示成模板的形式 

    	Mat image = imread("test.jpg");
    	imshow("image", image);
    	Mat kernel = (Mat_<uchar>(3, 3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);
        //0, 1, 0, 1, -4, 1, 0, 1, 0
        //0, -1, 0, -1, 4, -1, 0, -1, 0
        //-1, 1, -1, 1, 8, -1, -1, 1, -1
    	Mat matlaplacian;
    	filter2D(image, matlaplacian, CV_8UC3, kernel);
    	imshow("matlaplacian", matlaplacian);

     

     参考:https://blog.csdn.net/li_wen01/article/details/72864291

    Sobel 算子 ,其基础来自于一个事实,即在边缘部分,像素值出现”跳跃“或者较大的变化。如果在此边缘部分求取一阶导数,你会看到极值的出现。正如下图所示:

     如果在边缘部分求二阶导数会出现什么情况?

     你会发现在一阶导数的极值位置,二阶导数为0。所以我们也可以用这个特点来作为检测图像边缘的方法。 但是, 二阶导数的0值不仅仅出现在边缘(它们也可能出现在无意义的位置),但是我们可以过滤掉这些点

     Laplacian 算子

    1. 从以上分析中,我们推论二阶导数可以用来 检测边缘 。 因为图像是 “2维”, 我们需要在两个方向求导。使用Laplacian算子将会使求导过程变得简单。
    2. Laplacian 算子 的定义:

      Laplace(f) = \dfrac{\partial^{2} f}{\partial x^{2}} + \dfrac{\partial^{2} f}{\partial y^{2}}

    3. OpenCV函数 Laplacian 实现了Laplacian算子。 实际上,由于 Laplacian使用了图像梯度,它内部调用了 Sobel 算子。
    Laplacian( src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT );
    
    函数接受了以下参数:
    src_gray: 输入图像。
    dst: 输出图像
    ddepth: 输出图像的深度。 因为输入图像的深度是 CV_8U ,这里我们必须定义 ddepth = CV_16S 以避免外溢。
    kernel_size: 内部调用的 Sobel算子的内核大小,此例中设置为3。
    scale, delta 和 BORDER_DEFAULT: 使用默认值
    	Mat image = imread("test.jpg", 1);
    	imshow("原图像", image);
    	/// 使用高斯滤波消除噪声
    	GaussianBlur(image, image, Size(3, 3), 0, 0, BORDER_DEFAULT);
    	/// 使用Laplace函数
    	Mat imageEnhance;
    	int kernel_size = 3;
    	int scale = 1;
    	int delta = 0;
    	int ddepth = CV_32FC3;
    	Laplacian(image, imageEnhance, ddepth, kernel_size, scale, delta, BORDER_DEFAULT);
    	Mat abs_dst;
    	convertScaleAbs(imageEnhance, abs_dst);
    
    	imshow("拉普拉斯算子增强效果", imageEnhance);

     

    	Mat src, src_gray, dst;
        /// 装载图像
    	src = imread("test.jpg", 1);
    	imshow("原图", src);
    	/// 使用高斯滤波消除噪声
    	GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT);
    	/// 转换为灰度图
    	cvtColor(src, src_gray, CV_RGB2GRAY);
    	/// 使用Laplace函数
    	Mat abs_dst;
    	int kernel_size = 3;
    	int scale = 1;
    	int delta = 0;
    	int ddepth = CV_16S;
    	char* window_name = "Laplace Demo";
    	Laplacian(src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT);
    	convertScaleAbs(dst, abs_dst);
    	/// 显示结果
    	imshow(window_name, abs_dst);

     参考:

    http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/imgtrans/laplace_operator/laplace_operator.html

    https://blog.csdn.net/dcrmg/article/details/53677739 

    https://blog.csdn.net/iefenghao/article/details/84843318##

     

    展开全文
  • 拉普拉斯算子原理 图像增强

    万次阅读 热门讨论 2015-06-17 19:17:04
     拉普拉斯算子,二阶微分线性算子,为什么上来就学二阶微分算子,前文说过,与一阶微分相比,二阶微分的边缘定位能力更强,锐化效果更好,所以我们来先学习二阶微分算子,使用二阶微分算子的基本方法是定义一种二阶...
  • 拉普拉斯理解

    千次阅读 2019-05-27 20:37:55
    https://blog.csdn.net/ciscomonkey/article/details/85067036
  • 拉普拉斯

    2020-02-12 13:51:42
  • 拉普拉斯------图拉普拉斯
  • 拉普拉斯特征映射(Laplacian Eigenmaps)

    万次阅读 多人点赞 2017-09-22 21:11:18
    1、介绍拉普拉斯特征映射(Laplacian Eigenmaps)是一种不太常见的降维算法,它看问题的角度和常见的降维算法不太相同,是从局部的角度去构建数据之间的关系。也许这样讲有些抽象,具体来讲,拉普拉斯特征映射是一种...
  • 线性代数(二十四) : 行列式的展开式—拉普拉斯公式
  • 这节如果不看教学视频而只看PPT的话,很难理解。...1. 拉普拉斯(Laplace定理) 2. 基本结论(三角、对角分块矩阵行列式的计算) 3. 拉普拉斯定理的应用示例(求行列式) 4. 分块矩阵的逆的求解 ...
  • 拉普拉斯变换

    千次阅读 多人点赞 2019-04-26 11:06:15
    本文将从通俗的角度看待拉普拉斯变换。 发明者 奥列弗.赫维赛德,维多利亚时期英国人,全靠自学,听力残疾。很多人熟悉赫维赛德是因为MATLAB有一个赫维赛德(Heaviside)函数。 赫维赛德简化了麦克斯韦方程组:即...
  • 信号与系统公式笔记(8)——拉普拉斯变换

    万次阅读 多人点赞 2018-06-10 15:45:47
    这里是关于第5章的内容,拉普拉斯变换。。。 基本内容: 1. 拉普拉斯变换定义,收敛域 2. 拉普拉斯变换的性质(和傅里叶变换类似) 3. 拉普拉斯反变换 4. 拉普拉斯变换与电路分析 5. 系统函数 6. ...
  • 清楚拉普拉斯变换的具体来历和弄清楚整个过程,为系统分析增加一定的基础,充分解决拉氏变换的基本问题
  • 拉普拉斯变换图像处理

    热门讨论 2011-06-14 17:41:17
    对图像进行拉普拉斯变换的matlab程序,对初学者了解拉普拉斯变换很有帮助
  • OpenCV拉普拉斯变换

    千次阅读 2016-04-26 17:08:52
    拉帕拉斯变换用来检测物体的边缘信息。 在图像平坦(灰度值无变换的区域),拉普拉斯滤波后的图像在该区域的强度值为0.在图像灰度值剧烈变换的区域(边缘),拉普拉斯滤波后的...拉普拉斯变换变换可用于图像增强
  • 拉普拉斯变换的应用

    千次阅读 2019-04-26 13:59:24
    版权声明:本文为博主原创文章,如未特别声明,均默认使用CC0许可。 https://blog.csdn.net/Geek_of_CSDN/article/details/80235895 </div> <link rel="stylesheet" h...
  • 拉普拉斯变换的本质意义

    千次阅读 多人点赞 2019-08-17 16:28:06
    转载 ... ... 拉普拉斯变换可以说是现代工程学使用最广泛的数学工具,它通过数学变换将微积分方程转化成代数方程,为求解连续空间连续时间的方程提供了可能。但是,一般的教材一上来就是拉普拉...
  • 傅里叶变换和拉普拉斯变换公式总结

    万次阅读 多人点赞 2018-01-24 18:28:14
    因为傅里叶变换之类的很常用,时间长了不用总会忘记,所以一次性罗列出来权当总结好了。主要参考《信号与线性系统分析》(吴大正),也有的部分参考了复变函数。 δ" role="presentation" style="position: ...
  • 拉普拉斯变换公式,一共20个公式,对应时域到频域,频域到时域的一般变换。作用很大,喜欢的同学们可以拿走,实用性非常强。
  • z变换与拉普拉斯变换的关系

    千次阅读 2020-01-03 14:09:38
    通过学习z变换和拉普拉斯变换的关系,可以加深对z变换的理解,为进一步学习掌握数字信号处理的技术与方法奠定理论基础。
  • 学生角度看傅里叶变换,拉普拉斯变换,z变换(一) 学生角度看傅里叶变换,拉普拉斯变换,z变换(一) 离散和连续信号的表示 信号的脉冲表示 响应与卷积 傅里叶变换 为什么需要傅里叶变换 ejwtejwte^{jwt}的...
  • 常用拉普拉斯变换

    2020-05-08 12:44:39
    基本性质 性质 公式表示 ...L[af(t)]=aF(s)L[af(t)]=aF(s)L[af(t)]=aF(s) ...L(f1(t)±f2(t))=F1(s)±F2(s)L(f_1(t)\pm f_2(t))=F_1(s)\pm F_2(s)L(f1​(t)±f2​(t))=F1​(s)±F2​(s) ...L[df(t)dt]...
  • 傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分量和频率分量)。...
  • 常微分方程的一般形式的拉普拉斯变换推导
  • 拉普拉斯变换与z变换

    2020-01-16 11:54:09
    傅里叶级数与傅里叶变换可以说明第一点,现证明第2点: 对任一输入连续信号x(t)=estx(t) = e^{st}x(t)=est,LTI系统的输出为: y(t)=∫−∞+∞h(τ)x(t−τ)dτ=∫−∞+∞h(τ)es(t−τ)dτ=e...
  • Q:简述计算机三大变换的联系和区别 (傅里叶变换 拉普拉斯变换 z变换)(1) 傅里叶变换定义:表示能将满足一定条件的某个函数表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合。傅立叶变换是一种...
  • “傅里叶变换在物理学、数论、组合数学、信号处理、概率论、统计学、密码学、声学、光学、海洋学、结构动力学等领域都有着广泛的应用(例如在信号处理中,傅里叶变换的典型用途是将信号分解成幅值分量和频率分量)。...
  • 拉普拉斯变换.pdf

    2019-05-24 18:52:08
    拉普拉斯变换公式,拉普拉斯变换公式
  • 因为傅里叶变换之类的很常用,时间长了不用总会忘记,所以一次性罗列出来权当总结好了。主要参考《信号与线性系统分析》(吴大正),也有的部分参考了复变函数。 1.δδ-函数相关运算 nn阶导数的尺度变换 δ(n)...

空空如也

1 2 3 4 5 ... 20
收藏数 23,933
精华内容 9,573
关键字:

拉普拉斯