无处不在的拉普拉斯——边缘，斑点，金字塔

作为拿破仑的老师和“法国牛顿”，拉普拉斯在数学和天体力学中贡献颇多，但其实在图像处理中也会发现拉普拉斯的身影：它又可以用来检测斑点，又可以检测边缘，又可以金字塔重建，还可以平滑，还可以增强细节...

其实很多拉普拉斯出现的地方都归结于拉普拉斯算子。有些用途感觉八竿子打不着，甚至作用完全相反，为什么都是拉普拉斯算子带来的呢？

如果没有深刻地理解拉普拉斯算子，就容易一头雾水，所谓“着相”，现在我们就尝试将它打回原形，看看拉普拉斯算子的真面目。

1. 拉普拉斯算子Laplace operator

看着很简单，就是三维函数在各个方向的二阶导数之和。但其为什么百度百科解释说它是梯度的散度？当它等于0时意味着什么？ 

1.1 梯度

首先要清楚什么是梯度Gradient。梯度是函数“最陡”，变化最快的方向（所以有梯度下降法）。有大小有方向，这表明它其实是一个vector operator。对平面二维图像，每个像素位置都可以求x,y方向的梯度，最终就可以得到一个梯度场。

梯度场由几个基张成，表达式是这样的：

1.2 散度

散度Divergence 是形容向量场的。既然是向量场，那么就有疏有密，有流入有流出。散度就可以理解为面积取极小时的“通量”。

通量的计算是通过内积实现的。因为通量只考虑向量与表面积垂直的分量，所以先将向量函数与单位向量做内积，把向量分解到正交方向，然后分解后的分量相加就得到该处通量的