你在影像上找邊緣、在網格上模擬熱傳導，或在圖上做平滑與分群時，背後很可能都遇到 Laplacian operator（拉普拉斯算子）。算子可以先理解成「把一個函數轉成另一個函數的規則」。

它的基本定義是：

$$\Delta f = \nabla \cdot (\nabla f)$$

在許多教材裡，$\nabla^2 f$ 也是 $\Delta f$ 的替代記號；這裡的 $\nabla^2$ 指 scalar Laplacian，不是把 Hessian 矩陣直接寫出來。更實用的讀法是：Laplacian 測量一個位置和周圍相比，有多不平衡。

山頂、碗底、平面，通常會給出不同符號；鞍點也可能讓各方向的二階變化互相抵消。把它放進熱方程，溫度會從高處流向低處；把它離散成像素或圖上的鄰接關係，又變成邊緣偵測與結構分析的工具。

這篇文章只追一條主線：Laplacian 是「局部鄰域差異的二階量」。連續函數、像素網格、一般圖共享這種鄰域比較結構，但尺度、權重、邊界與符號慣例並不完全相同。

1. 先從梯度開始：方向，再到不平衡

對純量場 $f(x,y)$ 取梯度（gradient），得到一個向量：

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

梯度回答：「往哪個方向走，$f$ 上升最快？」例如把 $f$ 想成地形高度，梯度箭頭會從谷底指向山頂。

接著對這個向量場取散度（divergence）。散度回答：「這個位置看起來像流出的源頭，還是流入的匯？」梯度的散度就是 Laplacian：

$$\Delta f = \nabla \cdot \nabla f$$

例如 $f(x,y)=x^2+y^2$ 時，$\nabla f=(2x,2y)$，所以 $\nabla\cdot\nabla f=\partial_x(2x)+\partial_y(2y)=4$。這個小例子就是「先找每個方向的上升，再計算這些箭頭的淨流出」。

在二維笛卡兒座標中，它一般展開成：

$$\Delta f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2}$$

三維則再加上 $\partial^2 f / \partial z^2$。也就是說，Laplacian 是 Hessian 的 trace，也就是各座標方向二階偏導數的總和；這個定義可參考 MathWorld 的 Laplacian 定義 與 LibreTexts 的 divergence 說明。

二階導數到底在看什麼？

一維先夠了。對曲線 $f(x)$ 而言：

• $f''(x) > 0$：曲線局部向上凹，該點低於左右鄰域的平均趨勢，但不單獨保證它是極小值。
• $f''(x) < 0$：曲線局部向下凹，該點高於左右鄰域的平均趨勢，但不單獨保證它是極大值。
• $f''(x) = 0$：沿著這個方向沒有淨的二階變化；它可能是直線，也可能只是拐點附近。

因此，Laplacian 不看高度或單一方向的斜率，而看各方向二階變化的總和。這也解釋了為什麼一個平面 $f(x,y)=ax+by+c$ 的 Laplacian 是零：它有斜率，但沒有二階變化。

2. 最好用的直覺：和鄰居平均值比較

在均勻 Cartesian 網格的內部點上，Laplacian 可以近似成「鄰居總和減去中心點的加權版本」。以二維網格的五點 stencil（五點差分模板）為例，兩個方向等距、網格間距為 $h$ 時：

$$\Delta f_{i,j} \approx \frac{f_{i+1,j}+f_{i-1,j}+f_{i,j+1}+f_{i,j-1}-4f_{i,j}}{h^2}$$

把分子改寫一下，會更接近直覺：

$$\Delta f_{i,j} \approx \frac{4}{h^2} \left(\frac{f_{i+1,j}+f_{i-1,j}+f_{i,j+1}+f_{i,j-1}}{4}-f_{i,j}\right)$$

所以：

• 中心點比四個鄰居平均值高，Laplacian 為負。
• 中心點比鄰居平均值低，Laplacian 為正。
• 中心點和鄰居平均值相同，Laplacian 接近零。

例如中心值是 $10$、四個鄰居都是 $6$，則 $\Delta_h f=(24-40)/h^2=-16/h^2$；如果四個鄰居的平均也是 $10$，結果就是 $0$。連續公式看起來像微積分；離散公式則像一個很小的 local filter，每次只看上下左右四格。SciPy 的 LaplacianNd 文件 也把這類網格 Laplacian 視為離散線性算子。

import numpy as np


def laplacian_2d(field, spacing=1.0):
    """五點差分；邊界先保留為 NaN，避免假裝知道外部值。"""
    result = np.full_like(field, np.nan, dtype=float)
    h2 = spacing**2
    result[1:-1, 1:-1] = (
        field[:-2, 1:-1]
        + field[2:, 1:-1]
        + field[1:-1, :-2]
        + field[1:-1, 2:]
        - 4 * field[1:-1, 1:-1]
    ) / h2
    return result

程式裡最容易被忽略的不是那個 -4，而是邊界。下面這段 helper 只計算內部點，NaN 不是邊界條件的實作；若要解 PDE，仍需另外施加 Dirichlet condition（固定邊界值）、Neumann condition（固定法向變化率或熱流），或 periodic boundary（首尾相接）。數值解的形狀，往往很受邊界條件影響。

3. 為什麼 Laplacian 會出現在熱方程？

想像一個薄金屬板：某個像素大小的區域突然很熱，周圍比較冷。熱不會因為「中心點很熱」就憑空消失；它會沿著溫度梯度流動。對均勻、各向同性的材料，若溫度場是 $u(x,y,t)$、熱擴散係數 $\alpha$ 為常數，且沒有內部熱源，把守恆律和 Fourier heat conduction law（傅立葉熱傳導定律）接起來，就得到：

$$\frac{\partial u}{\partial t} = \alpha \Delta u$$

這是 heat equation（熱方程），也可視為擴散方程的一種形式。若材料參數隨位置改變，通常要保留散度形式 $\partial_tu=\nabla\cdot(\alpha\nabla u)$；有內部熱源時還要加上 source term。可參考 擴散模型的推導 與 二維熱方程。

符號現在很有意義：

• 如果某處是尖銳的熱峰，$\Delta u<0$，所以 $\partial u/\partial t<0$，熱峰會下降。
• 如果某處是低於鄰域的凹洞，$\Delta u>0$，所以該處會升溫。
• 反覆更新後，尖峰與凹洞被抹平，場變得更平滑。

用最簡單的 Forward Euler time step 寫，就是：

$$u^{t+1}_{i,j}=u^t_{i,j} + \lambda\left(u^t_{i+1,j}+u^t_{i-1,j}+u^t_{i,j+1}+u^t_{i,j-1}-4u^t_{i,j}\right)$$

其中 $\lambda=\alpha\Delta t/h^2$。對二維均勻五點模板的顯式更新，常見穩定條件是 $0\leq\lambda\leq1/4$；實作時通常留一點餘裕。網格加密時，允許的 $\Delta t$ 大致要按 $h^2$ 縮小。這和「把每個格子往鄰居平均值拉近一點」完全相同；Laplacian 在這裡直接決定每個網格點的瞬時變化率。

因此，數值擴散有一個工程上的界線：不能任意調大 $\lambda$。這個穩定性條件適用於均勻網格與這個顯式更新式；換成非均勻網格或隱式方法，條件會改變。

4. 影像裡的 Laplacian：邊緣是二階導數的轉折

把灰階影像想成一個二維純量場：每個像素是 $I(x,y)$。物體邊界附近，亮度會快速改變。Sobel 這類方法估計一階導數；Laplacian 則把 $x$、$y$ 方向的二階導數加總，因此常在邊緣附近出現 zero-crossing（零交叉）或正負急遽變化。這不是把 Sobel 的輸出直接再微分；兩者是不同的微分濾波器。可參考 OpenCV 的 Laplace Operator 教學。

OpenCV 的 Laplacian() 對影像計算：

$$\Delta I = \frac{\partial^2 I}{\partial x^2} + \frac{\partial^2 I}{\partial y^2}$$

在最小的 $3\times3$ 情況，常見的核心可以寫成：

$$\begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix}$$

你可以把它看成前面的五點 stencil，只是把 $h$ 和輸出縮放先收進實作裡。

import cv2

image = cv2.imread("input.png", cv2.IMREAD_GRAYSCALE)
if image is None:
    raise FileNotFoundError("input.png not found")
blurred = cv2.GaussianBlur(image, (3, 3), sigmaX=0)
laplace_response = cv2.Laplacian(
    blurred, cv2.CV_64F, ksize=1, borderType=cv2.BORDER_DEFAULT
)

這裡先 Gaussian blur 是因為二階導數對高頻雜訊很敏感；不先處理雜訊，細小的像素抖動也可能被放大成假邊緣。cv2.Laplacian() 回傳的是帶正負號的二階 response，不是已經二值化的 edge map；若要產生邊緣候選，還要取絕對值、正規化、閾值化或檢測 zero-crossing。ksize=1 才對應上面展示的 $3\times3$ kernel；其他 kernel size 會使用不同的 Sobel-derived kernel。OpenCV 的預設 BORDER_DEFAULT 也會參與影像邊界的 extrapolation。

5. Graph Laplacian：把鄰居從像素換成節點

前面假設鄰居排在規則網格上。若資料是社交網路、交通網路或知識圖，節點沒有固定的上下左右，仍然可以做同一件事：只要知道誰和誰相鄰。

以下先限定在無向、非負權重的圖。令 $A$ 是 adjacency matrix（鄰接矩陣），$D$ 是 degree matrix（度數矩陣），其中 $D_{ii}$ 是節點 $i$ 的連線權重總和。graph Laplacian 通常定義為：

$$L = D-A$$

對節點訊號 $x$ 作用時：

$$(Lx)_i = \sum_{j\sim i} w_{ij}(x_i-x_j)$$

這幾乎就是「我和鄰居差多少」的加總。若相鄰節點的訊號相近，$(Lx)_i$ 通常接近零；若節點訊號偏離鄰居的加權平均，且各項差異沒有互相抵消，$|(Lx)_i|$ 才會大。NetworkX 的 laplacian_matrix 也採用 $L=D-A$ 這個定義。

這裡要特別留意符號慣例：

• 偏微分方程常把 $\Delta$ 寫成五點模板的中心係數 $-4$，它對平滑方程很自然。
• 對非負權重的無向圖，$L=D-A$ 是對稱正半定矩陣，特徵值非負；有向圖或 signed graph 需要另外確認定義。

在間距為 $h$ 的規則四鄰域網格內部點，未正規化的圖 Laplacian 通常滿足：

$$L_{\text{graph}}=4I-A=-h^2\Delta_h$$

因此熱擴散若改用 graph Laplacian 表示，更新式要寫成 $\dot{x}=-(\alpha/h^2)L_{\text{graph}}x$。不能只記「差一個負號」；尺度因子、權重與邊界慣例也會影響對應關係。把數學公式搬進 NumPy、SciPy 或圖學習框架時，先確認套件採用哪一種 convention，否則熱會反向擴散或平滑項會變成放大差異。

Graph Laplacian 也把局部差異接到全域結構：對非負權重的無向圖而言，Laplacian 的零特徵值個數對應連通分量；連通圖的第二小特徵值與 Fiedler vector（用來描述圖如何切成兩群的特徵向量）則可用來理解圖的切割與連通強度。可參考 NetworkX 的 laplacian_spectrum 與 algebraic_connectivity。

6. 三個常見誤解

「Laplacian 就是把所有二階導數相加」

在直角座標、純量函數、各方向尺度一致時，這個說法沒錯。但換成極座標、曲面、非均勻網格或加權圖，導數與鄰接權重都要跟著幾何改變。公式的座標形式不是永遠只有 $f_{xx}+f_{yy}$。

「Laplacian 為零代表函數是常數」

不對。$f(x,y)=x^2-y^2$ 的 Laplacian 是 $2-2=0$，但它明顯不是常數。$\Delta f=0$ 的函數稱為 harmonic function（調和函數）；它表示局部值符合某種平均性，而不是整張圖完全沒有變化。可參考 LibreTexts 對 harmonic function 的說明。

「Laplacian 的輸出可以直接拿來更新任何系統」

也不對。影像流程要處理雜訊、資料型別、縮放與 zero-crossing；PDE 需要指定邊界條件與穩定的時間步長；圖資料則要確認權重、方向與符號 convention。Laplacian 給的是局部二階反應，後面的物理或資料語境決定如何解讀它。

結語：記住一個鄰域問題

遇到 Laplacian，可以先做三個檢查：

1. 這個位置和它的鄰居相比，是凸、凹，還是大致平衡？
2. 這個鄰域是連續座標、像素網格，還是一般圖？
3. 目前採用的符號、尺度與邊界條件是什麼？

在連續場裡，答案是各方向二階變化的總和；在熱方程裡，答案變成流動方向；在像素網格裡，答案變成局部高通反應；在圖裡，答案則是節點和鄰居訊號的差異。

這些方法的共同點，是把鄰居之間的差異交給後續語境解讀：幾何、物理，或資料結構。它們的離散矩陣並不自動互換；讀清楚 convention，才是使用 Laplacian 時最值得保留的習慣。

References

• Wolfram MathWorld, Laplacian
• Mathematics LibreTexts, Divergence and Curl
• SciPy, LaplacianNd
• Mathematics LibreTexts, Modeling Spatial Movement
• Mathematics LibreTexts, The Heat Equation
• Mathematics LibreTexts, The Heat Equation: numerical stability
• OpenCV, Laplace Operator
• NetworkX, laplacian_matrix
• NetworkX, laplacian_spectrum
• NetworkX, algebraic_connectivity