找出邊緣：梯度、Sobel 與銳化

把影像看成一片光的地景

這裡有一個能打開整篇指南的思考小技巧。別再把灰階影像當成一片扁平的數字陣列，改把它想像成一片地景。把每個像素的亮度讀成「高度」：明亮的像素（數值大）是丘陵與高山，黑暗的像素（數值小）是山谷。一面被均勻打光的牆是平緩的高原；黑底上的白色物體，就是從平地拔起、頂部平坦的方山。

現在問：這片地景裡的邊緣在哪裡？影像中的邊緣，是亮度突然改變的地方——白色物體與黑色背景之間的界線。用地景的話來說，這種突變就是懸崖：原本平坦了一陣子的地面，陡然落下。在物體內部，高度幾乎不變（平地）；在邊界上，高度急速墜落。於是「找邊緣」就變成了「找地形中陡峭的部分」。

在進入二維之前，先把它講清楚：取影像中單獨一條水平的列（row），把它畫成一條剖面曲線——底部是像素位置，向上是亮度。一條乾淨的物體邊界，在這條剖面上會呈現為一個陡峭的階梯或斜坡：低平、急升、再高平。那段「急升」的陡度，正是我們想量測的東西。而「沿著移動時某個量的變化率」，正是斜率——也就是導數——所捕捉的。下一節我們會把這份陡度變成一個叫做影像梯度的數字。

影像梯度：斜率與方向

在我們的一維列上，某像素處的斜率不過就是「我往右踏一步，亮度變化多快？」這個單一數字就是一個導數。但真實影像是二維的：在任一像素，你可以往右踏（x 方向），也可以往下踏（y 方向），而地形可能在某個方向陡升、在另一個方向卻平坦。所以單一斜率不夠——我們需要兩個，每個方向各一個，再把它們綁成一支小箭頭。這支箭頭就是影像梯度。

\nabla f = \left( \dfrac{\partial f}{\partial x},\ \dfrac{\partial f}{\partial y} \right)

這樣讀：影像 f 的梯度，記為 ∇f（念作「grad f」），是一對數字。第一個 ∂f/∂x，是你由左往右移動（水平方向）時亮度的變化率。第二個 ∂f/∂y，是你由上往下移動（垂直方向）時的變化率。彎彎的 ∂（「偏」）只是表示「在固定另一方向的前提下，沿這個方向的變化」。所以 ∇f 是一支二維向量——一支箭頭——它存在於每一個像素上。如果兩個數字都接近零，你就站在平地上（沒有邊緣）；只要其中一個很大，那裡的亮度就在快速變動。

一支箭頭有長度與方向，兩者各自告訴我們關於邊緣的有用資訊：

|\nabla f| = \sqrt{\left(\dfrac{\partial f}{\partial x}\right)^2 + \left(\dfrac{\partial f}{\partial y}\right)^2}, \qquad \theta = \operatorname{atan2}\!\left(\dfrac{\partial f}{\partial y},\ \dfrac{\partial f}{\partial x}\right)

第一個量 |∇f| 是強度（magnitude）——箭頭的長度，由兩個斜率以畢氏定理算出。它代表該像素的整體陡度：強度大表示這是強邊緣，強度小表示地形平滑。這個單一數字，就是我們通常顯示成「邊緣圖」的東西。第二個量 θ（theta）是箭頭所指的方向，用 atan2 計算（一種會判斷你身處哪個象限的安全反正切）。健行式的直覺是這樣：想像你站在地形上——梯度箭頭指向最陡的上坡方向（朝更亮的地方），而它的長度就是那段攀升有多陡。因為箭頭橫越懸崖，所以邊緣本身的走向會與 θ 垂直。

我們來代入數字。取一塊正好壓在垂直邊緣上的 3×3 區塊——左暗、右亮： 50 50 200 50 50 200 50 50 200 在中心像素用簡單的中央差分（右鄰減左鄰，再除以兩者間的 2 步）：∂f/∂x =（200 − 50）/ 2 = 75。往下走時，中心上下的整欄完全相同，所以 ∂f/∂y =（50 − 50）/ 2 = 0。於是強度為 √(75² + 0²) = 75（一條強邊緣），方向為 atan2(0, 75) = 0°——筆直指向右方、朝著明亮側。完美：一條垂直邊緣產生一支水平的梯度箭頭，而這支箭頭指向「上坡」進入明亮區，正如類比所承諾的。

從微積分到濾波核：Sobel 運算子

導數是為平滑、連續的函數定義的，但影像是離散的網格——你沒有無限小的步可踏，只有一整個一整個的像素。解法是有限差分（finite difference）：用相減鄰近像素來近似導數。從你左邊像素到右邊像素的亮度變化，就是 ∂f/∂x 一個非常稱職的替身。這就是從微積分通往程式碼的整座橋：導數不過是鄰近像素的一個加權差。

但第 3 篇指南教了我們慘痛的一課：真實影像帶有雜訊，而雜訊充滿了細小、快速、隨機的亮度抖動。原始的差分會把每一顆雜訊斑點都誤認成陡坡，讓邊緣圖淹沒在假邊緣裡。Sobel 運算子就是那個經典又漂亮實用的答案：一個 3×3 的核，它在一個方向上微分、同時在另一個方向上平滑，於是能讀出真正的邊緣、並對雜訊聳聳肩不理。回想第 2 篇指南，我們是用卷積（convolution）來套用一個核——把它滑過影像，在每個位置取加權總和。Sobel 正是這樣一個空間濾波核，它直接估計出影像梯度。

G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix}, \qquad G_y = G_x^{\top} = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix}

看看 Gx，也就是水平邊緣偵測器。每一列都是（−1, 0, +1）的樣式：它用右像素減左像素——一個左對右的差，也就是導數 ∂f/∂x。現在順著各欄往下看：權重是 1、2、1。那是一個微小、類高斯的模糊，套用在垂直方向上，與我們微分的方向垂直。所以 Sobel 的配方是：橫越邊緣去微分、沿著邊緣去平均。中間那一列拿到加倍的權重（−2, 0, +2），因為它離我們正在計算的像素最近，理應算得最重。Gy 不過是把 Gx 轉 90°（它的轉置，記為 Gxᵀ）：它做上對下的差、同時在水平方向平滑，用來偵測水平邊緣。

M = \sqrt{G_x^2 + G_y^2}

把影像分別與 Gx 和 Gy 做卷積後，你會得到兩張回應圖：一張在垂直邊緣處強，一張在水平邊緣處強。要得到一張對任何方向邊緣都有反應的單一邊緣強度圖 M，就用我們合併梯度分量的同一招——逐像素的畢氏定理。這裡的 Gx、Gy 指「此像素的 Sobel 回應」，而 M 就是 Sobel 邊緣強度。我們用先前同一塊區塊算算看： 50 50 200 50 50 200 50 50 200 Gx 回應 =（−1·50 + 0·50 + 1·200）+（−2·50 + 0·50 + 2·200）+（−1·50 + 0·50 + 1·200）= 150 + 300 + 150 = 600。Gy 回應：上列貢獻 −(50+2·50+200) = −350，下列貢獻 +(50+2·50+200) = +350，相加為 0。於是 M = √(600² + 0²) = 600——一個大數字，正確地大喊「這裡有條強垂直邊緣」；而一塊平坦區塊（全是 50）會給出 Gx = Gy = 0、M = 0。

import numpy as np
from scipy.ndimage import convolve

# img: a 2D grayscale image as float (so differences can go negative)
img = img.astype(np.float64)

# Sobel kernels: differentiate in one axis, smooth (1,2,1) in the other
Gx = np.array([[-1, 0, 1],
               [-2, 0, 2],
               [-1, 0, 1]], dtype=np.float64)
Gy = Gx.T  # transpose -> detects horizontal edges

gx = convolve(img, Gx)   # horizontal gradient (strong on vertical edges)
gy = convolve(img, Gy)   # vertical gradient   (strong on horizontal edges)

magnitude = np.sqrt(gx**2 + gy**2)   # edge strength, any orientation
direction = np.arctan2(gy, gx)       # edge orientation in radians

# Pitfall: keep the image as float. On uint8, the -1/-2 taps would wrap
# negative values around to ~255 and corrupt every edge.

Sobel 邊緣偵測：先與 Gx、Gy 做卷積，再合併成強度與方向。

拉普拉斯運算子：曲率與過零點

Sobel 量測的是一階導數——也就是斜率。還有第二種、互補的找邊緣方式，它問的問題更細緻：不是「它有多陡？」而是「這份陡度變化得多快？」這就是二階導數。在我們的一維剖面上，二階導數量測曲率——地形是向上彎（山谷）還是向下彎（山脊）。它在兩個方向上的二維總和，就是拉普拉斯運算子（Laplacian），它用一個聰明的方式定位邊緣：不是當作尖峰，而是當作過零點（zero-crossing）——回應由正翻到負的那個精確位置。

\nabla^2 f = \dfrac{\partial^2 f}{\partial x^2} + \dfrac{\partial^2 f}{\partial y^2}

把 ∇²f（念「del 平方 f」，或「f 的拉普拉斯」）讀成：把 x 方向的二階導數與 y 方向的二階導數加起來。∂²f/∂x² 這一項是水平斜率的變化率——左到右的陡度本身是在增加還是減少？∂²f/∂y² 對垂直斜率亦然。與梯度不同，結果是單一數字（純量），不是箭頭——它丟掉方向，只保留「這裡的斜率總共彎了多少」。平坦區域、甚至穩定的斜坡（固定斜率）都會給出大約零；回應只在斜率本身正在改變之處飆高——也就是邊緣周圍那些亮度的「轉角」。

\nabla^2 \approx \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix}

這是離散的拉普拉斯核——有限差分版本，和 Sobel 一樣用卷積套用。把它讀成一個比較：中心像素的權重是 −4，它的四個直接鄰居（上、下、左、右）權重各為 +1。所以在每個像素上，它計算（四個鄰居之和）− 4×（中心）——字面上就是「這個像素比它鄰居的平均偏離了多少？」。在平地上，鄰居等於中心，權重相消，得到 0。在被暗包圍的亮尖點上，中心遠大於鄰居，你會得到一個大負數；在暗凹處則得到大正數。一個負的中心去平衡四隻正的臂，正是它為何是「一個」合併的二階導數運算子、而非兩個分開運算子的原因。

看著過零點在一維階梯邊緣上現身。取一條由暗轉亮的列：10, 10, 10, 90, 90, 90（跳變發生在位置 3 與 4 之間）。位置 i 的一維二階導數是 f[i−1] − 2·f[i] + f[i+1]。位置 3（最後一個暗像素）：10 − 2·10 + 90 = +80。位置 4（第一個亮像素）：10 − 2·90 + 90 = −80。於是回應走勢是 … 0, +80, −80, 0 …——在邊緣之前強烈為正、在邊緣之後強烈為負，因此它必定在邊緣正中央穿過零。這個過零點把邊緣定位到極為精準，正是拉普拉斯的一大強項。

反銳化遮罩：用減去模糊來銳化

這裡是本篇指南的回報，也是它的大師級招式。到目前為止，我們都用邊緣數學去偵測邊緣。現在，我們把它倒著跑，去增強邊緣——也就是銳化。讓這成為可能的訣竅美妙地簡單：邊緣，正是影像中會被模糊摧毀的那部分。所以如果你能把「模糊抹掉了什麼」分離出來，這分離出來的那一層就是邊緣與細節紋理——而你可以把它更強地加回去，讓邊緣更銳利。這就叫做反銳化遮罩（unsharp masking）。

g = f + k\,\bigl(f - \operatorname{blur}(f)\bigr)

把每個符號拆開。f 是原始影像。blur(f) 是它的一張高斯模糊——一份把細節抹糊的副本，只留下緩慢、寬闊的變化（「低頻」）。差 f − blur(f) 是細節層或遮罩：用平滑版去減原版，會抵消所有撐過模糊的東西，只留下被模糊抹掉的部分——邊緣、紋理、細微結構（「高頻」）。k 是強度（amount）——一個正的旋鈕，決定推得多用力。g 是銳化後的結果：取原圖 f，再加回 k 份它自己的細節。直覺是這樣：f − blur(f) 在邊緣的亮側為大正值、在暗側為大負值，所以加上它會讓亮唇更亮、暗唇更暗——它恰恰在邊緣處誇大對比，而眼睛把這讀成「更銳利」。

為什麼叫這個怪名字「反銳化（unsharp）」？它來自底片暗房。攝影師會在另一張底片上做一張負片的模糊（字面上不銳利）副本，把它與原片疊在一起，再透過兩者一起印放。那張模糊副本充當遮罩，壓住寬闊的色調、卻讓邊緣對比更用力地印出來——用一張不銳利的版來銳化照片。我們現在在軟體裡做的是一模一樣的運算，但這個歷史名稱就留了下來。

這直接接回上一節。減去一張模糊，在數學上非常接近減去拉普拉斯：細節層 f − blur(f) 近似於 −∇²f，所以反銳化遮罩本質上是 g ≈ f − k·∇²f。把邊緣曲率加回去，就是銳化的由來。它也預告了第 5 篇指南的頻率觀點：blur(f) 留住低頻，所以 f − blur(f) 是一個高通（high-pass）訊號，而用 k 去放大它就是高頻增益。「銳化」與「高通濾波」最後會證明是同一個運算的兩個名字。

import numpy as np
from scipy.ndimage import gaussian_filter

def unsharp_mask(f, sigma=1.5, k=1.0):
    f = f.astype(np.float64)
    low  = gaussian_filter(f, sigma=sigma)  # blur(f): the low-frequency copy
    detail = f - low                        # high-frequency edge/texture mask
    g = f + k * detail                      # add scaled detail back
    return np.clip(g, 0, 255).astype(np.uint8)  # clip to avoid wrap-around

# k = 0  -> unchanged   k = 1 -> moderate   k = 3+ -> likely halos/overshoot

反銳化遮罩：模糊、相減得到細節遮罩，再把 k 倍的細節加回去。

快速走一遍數字。看跨在邊緣兩側的兩個像素：一個亮的 f = 100、一個暗的 f = 60，所以邊緣兩側的原始對比是 100 − 60 = 40。模糊後，每個像素都被往鄰居拉：假設模糊讓兩者都變成 80。那麼細節在亮像素是 +20（100 − 80）、在暗像素是 −20（60 − 80）。取 k = 1：亮像素變成 100 + 20 = 120，暗像素變成 60 − 20 = 40。新的對比是 120 − 40 = 80——加倍了。邊緣明顯更銳利，而我們完全沒碰平坦區（那裡細節 ≈ 0）。

從邊緣走向視覺

退一步，看看你現在握有什麼。透過把影像讀成一片光的地景，你學會了用影像梯度量測陡度、用 Sobel 核穩健地計算它、用拉普拉斯的過零點精準定位邊緣，並把整套想法倒著跑來銳化。梯度與邊緣本身並非終點——它們是幾乎所有更高階電腦視覺的原料。幾乎每一個古典視覺演算法，都從問「亮度在哪裡改變？」開始。

完全用本篇指南的零件搭成的經典壓軸，是 Canny 邊緣偵測器。它沒有發明任何新東西——只是把你已經擁有的工具排成一條謹慎的流程，把一張帶雜訊的梯度圖，變成乾淨、細緻、相連的邊線：

平滑：先用高斯模糊，讓雜訊不會偽裝成邊緣（這是第 3 篇指南的教訓，也是 Sobel 與 LoG 也要平滑的原因）。
梯度：跑 Sobel，取得每個像素的邊緣強度與方向。
非極大值抑制：沿著每個梯度方向，只保留最強的那一個像素、其餘歸零，把粗胖的邊緣削成一像素寬的脊線。
遲滯門檻：用一個高門檻去啟動有把握的邊緣、用一個低門檻去延伸它們，連起雖弱卻相連的像素，同時丟掉孤立的弱像素。

從這些乾淨的邊緣，視覺向上層層建構。角點與特徵偵測器（Harris 角點、SIFT、ORB）尋找邊緣相交之處、或梯度在兩個方向上同時很強之處——這些是用來把一張照片配對到另一張、拼接全景、或追蹤運動的鮮明地標。線條與形狀可以由邊緣像素投票得出（霍夫變換）。你在第 2 節算出的那個梯度，正是這一切的種子。

還有一條線沒收尾。我們一直把模糊說成「低頻」、把細節說成「高頻」，也注意到銳化是一種高通增益。第 5 篇指南會把這套語言講精確：它不把影像看成地景，而是看成一堆波的疊加，並展示尺度、頻率與形狀如何給你一套單一的大師工具箱，把模糊、找邊緣、銳化一次全部收進去。