我正在尝试应用内核过滤器来计算中心差 x 梯度。一种直接的方法似乎是应用以下内核过滤器：
一个 = [ 0 0 0 -1 0 1 0 0 0 ]但是由于它的值总和为零，我该如何对其进行归一化呢？乘以系数0.5 是否合法？如果是这样，有人可以解释原因吗？
另外，我依稀记得可能需要应用类似的东西
乙 = [ 0 1 0 0 2 0 0 1 0 ]在应用A 之前，即A * (B * f) 其中f 是源图像会比A * f 更好，有人可以帮助我了解B 的作用以及为什么它更好?
【问题讨论】：
标签： image-processing graphics computer-vision
要对图像内核进行归一化，请除以元素的绝对值之和。
所以对于你的第一个内核，你有非零元素 [-1,1]，所以 |-1|+|1| = 1+1=2。所以乘以 1/2=0.5 来归一化。对于边缘检测，您不一定要标准化。归一化图像内核通常不会避免扭曲像素的大小。当您尝试检测边缘时，您通常希望它强调边缘。
内核 B 做了两件事，首先它会模糊图像（所有相同的有符号非零元素），其次它只在 y 方向上运行。在你的 A 内核之前应用它的想法是它会在 y 方向上进行（排序）非边缘检测。想法是抑制 y 方向上的边缘检测 x 方向上的边缘。
不记得曾经使用过这个，但它在一定程度上是有意义的。
【讨论】：
我认为Sobel and Scharr operators 及其解释将向您阐明这个主题。如果此链接将被删除，只需在谷歌搜索“Sobel operator” - 它在互联网上随处可见和描述。简而言之：Sobel dx 算子是 oy 方向的模糊和简单的中心 ox 差的组合。执行模糊以减少与纯中心差异算子相关的伪影。 Scharr 算子针对旋转对称性进行了更好的优化，并且“通过优化最小化傅里叶域中的加权均方角误差得到的结果”它的理论有点复杂，所以你最好访问 wiki 或阅读 Scharr paper。
【讨论】：