图像梯度(Image Gradient)
对于一个二元函数F(x,y)F(x,y)F(x,y)来说，其偏导数的定义为：
δF(x,y)δx=limϵ→0F(x+ϵ,y)−F(x,y)ϵ\frac {\delta F(x,y)}{\delta x}=\displaystyle \lim_{\epsilon \rightarrow 0}\frac {F(x+\epsilon,y)-F(x,y)}{\epsilon}δxδF(x,y)=ϵ→0limϵF(x+ϵ,y)−F(x,y)
这是沿着x方向的定义。这种定义适用于连续函数，而图像是二维的离散函数，ϵ\epsilonϵ不能无限趋近于0，最小只能是1个像素，因此我们使用有限差分来近似计算梯度。上面的公式变为：
X:δF(x,y)δx≈F(x+1,y)−F(x,y)1X:\frac {\delta F(x,y)}{\delta x}\approx\frac {F(x+1,y)-F(x,y)}{1}X:δxδF(x,y)≈1F(x+1,y)−F(x,y)
同理y方向的定义为：
Y:δF(x,y)δx≈F(x,y+1)−F(x,y)1Y:\frac {\delta F(x,y)}{\delta x}\approx\frac {F(x,y+1)-F(x,y)}{1}Y:δxδF(x,y)≈1F(x,y+1)−F(x,y)
这种近似计算的方式属于前向差分。
在数学上，梯度的本意是一个向量，表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。
N元函数在每一个点的梯度是一个由在N个方向的偏导数组成的N维向量。拿三元函数f(x,y,z)f(x,y,z)f(x,y,z)来说，如果其梯度存在，则梯度的定义为：
∇f=ϑfϑxi+ϑfϑxj+ϑfϑxk\nabla f = \frac {\vartheta f}{\vartheta x}\textbf{i} + \frac {\vartheta f}{\vartheta x}\textbf{j} + \frac {\vartheta f}{\vartheta x}\textbf{k}∇f=ϑxϑfi+ϑxϑfj+ϑxϑfk
这样梯度就提供了两种信息——大小和方向。梯度的方向告诉我们函数在这个点沿着这个方向上升最快(负梯度就代表函数在这个点沿着负梯度方向下降最快)。把函数比作一座“山”，我们站在半山腰上，如果我们要上山则沿着梯度方向可以最快到达山顶，如果是下山则沿着梯度的反方向（负梯度方向）则可以最快到达山脚。梯度的大小代表了沿着这个方向的变化率。
由于梯度的定义只适用于连续的函数，而图像是二维的离散函数，因此对于图像来说我们需要使用有限差分（Finite differences）来近似计算梯度。我们以一元函数f(x)f(x)f(x)来举例，f(x)f(x)f(x)在某一点的导数定义为：
Derivative:f′(x)=limh→0f(x+h)−f(x)hDerivative:f'(x) = \displaystyle \lim_{h \rightarrow 0}\frac {f(x+h)-f(x)}{h}Derivative:f′(x)=h→0limhf(x+h)−f(x)
下面使用差分来近似，假设hhh为一个非零固定值，则上面的导数定义变为：
f′(x)≈f(x+h)−f(x)hf'(x) \approx\frac {f(x+h)-f(x)}{h}f′(x)≈hf(x+h)−f(x)
有限差分最常使用的有三种形式：前向、后向、中心。
f′(x)≈f(x+h)−f(x)hf'(x) \approx\frac {f(x+h)-f(x)}{h}f′(x)≈hf(x+h)−f(x) 后向
f′(x)≈f(x)−f(x−h)hf'(x) \approx\frac {f(x)-f(x-h)}{h}f′(x)≈hf(x)−f(x−h) 中心
f′(x)≈f(x+0.5h)−f(x−0.5h)hf'(x) \approx\frac {f(x+0.5h)-f(x-0.5h)}{h}f′(x)≈hf(x+0.5h)−f(x−0.5h)
对于计算图像梯度来说我们使用中心差分来近似计算x、y两个方向的梯度。下面的例子演示了如何计算中间像素点（200）在x方向的中心差分（梯度）
所以在图像中每一个点的梯度指向灰度值增加最大的方向，其大小对应于这个方向的变化率。所以对于图像f(x,y)f(x,y)f(x,y)，梯度方向（Direction）和大小（Magnitude）的定义为：
Magnitude:∣∣∇f∣∣=(ϑfϑx)2+(ϑfϑy)2Magnitude:||\nabla f ||=\sqrt {\left(\frac {\vartheta f}{\vartheta x}\right)^2+\left(\frac {\vartheta f}{\vartheta y}\right)^2}Magnitude:∣∣∇f∣∣=(ϑxϑf)2+(ϑyϑf)2
Drection:tan−1(ϑfϑy/ϑfϑx)Drection:tan^{-1}(\frac {\vartheta f}{\vartheta y}/\frac {\vartheta f}{\vartheta x})Drection:tan−1(ϑyϑf/ϑxϑf)
简而言之，沿x方向的图像梯度测量的是灰度（亮度）值的水平变化(0 ~ 255)，沿y方向的图像梯度测量的是灰度值的垂直变化(0 ~ 255)
由于在边缘上图像的灰度值会发生突然的改变，因此最大的梯度值将出现在图像中一条边上（忽略噪声）。所以x方向的梯度能找到垂直的边缘，y方向的梯度能找到水平边缘，如图所示：
所以边缘是与梯度方向垂直的，因此图像梯度可以用于边缘检测。此外在使用高斯牛顿法实现光流追踪时，图像梯度用于计算雅可比矩阵。
作者：PythonFCG
