Image processing 滤镜在图像处理中是如何工作的？

我有一个使用此算法的sobel边缘检测器示例

基本上，它通过每个像素，用脉冲函数b改变它的值。脉冲函数中使用的过滤器有：

{{-1, 0, 1},  {{-1,-2,-1},
 {-2, 0, 2},   { 0, 0, 0},
 {-1, 0, 1}}   { 1, 2, 1}}

---

但是为什么它在过滤器的一端使用负数，在另一端使用正数呢？我知道使用2离原点越近，但我不知道负数有什么作用。

Sobel filter旨在计算图像的梯度。这意味着它必须计算像素之间的局部差异。这就是得到负系数的方法：获得差分。

---

此外，边缘被检测为梯度绝对值较高的区域。

负数存在，因此滤波器和为零。否则，您将有效地为图像添加一个常量。当它说“脉冲函数也存在于2D空间中……它是单独对每个坐标求和还是将矩阵作为一个整体求和？”时，过滤器将与图像卷积。换句话说，操作将通过图像的每个像素进行步骤，并将过滤器应用于周围区域（在您的特定情况下，为3x3区域）。结果是周围区域中的像素值乘以滤波器中的权重之和。脉冲滤波器的“2D空间域”是“邻域”"周围的像素。我越来越接近理解。我只是注意到原始像素对结果像素没有发言权。结果像素纯粹是根据梯度计算的。但它说脉冲函数是1，其中x和y为零，其他地方为零。我认为这意味着只会使用精确的像素为了得到结果像素，显然这是不对的。你是对的：当前像素在计算其梯度时没有影响。事实上，更精确的方法是计算相邻像素之间的差值（P（i+1）-P（i），而不是P（i+1）-P（i-1）），但这将给出两个像素之间的梯度值（G（i+0.5））因此，为了计算给定位置的梯度并将其存储在同一位置，我们只考虑它的邻域（P（i+1）-P（i-1））。关于狄拉克函数：实际上，这里使用的是2D狄拉克梳（即移位狄拉克函数的总和）。它们被+/-1移位，并被+/-1或+/-2加权。我明白了。b[0，0]是周围的像素，所以它们的值为1。中心像素是b[1，1]，所以它的值为0。这太好了。谢谢……也许我不明白。只有当我们在中心像素上时，b[x，y]才会是b[0，0]。因此只有中心像素才会被计数。