Opencv “我对”的理解正确吗；“强度”；Lukas-Kanade的光流法？

从“”，它说强度是梯度。f（x），f（y）是梯度，f（t）是沿时间的类似梯度。我的困惑现在开始了。在上面的链接中，f（x）和f（y）也是导数形式，但我们不能计算沿x和y的导数，因为我们不知道同一点的位置，实际上这就是我们将在这个方法中找到的。所以我想知道它是怎么说的，既然它说f（t）是一个点随时间的梯度，那么我能假设f（t）是一个点的梯度平均值，它是由几个特定的周期收集的，并且f（x）和f（y）是每个周期收集的，f（t）梯度的平均值

例如，如果f（t）每20毫秒计算一次，并试图每100毫秒计算一次平均值。每100ms计算一次f（x）和f（y）。我的理解正确吗

---

如果错了，那么f（x）、f（y）和f（t）之间的区别是什么呢？

他们假设每个像素的强度不随时间变化。基于此假设，您可以计算光流公式，并得到U和V的值，即运动矢量

设I（x，y）为像素位置（x，y）处的强度值，而不是如描述中所示，fx（x，y）为x方向上的导数，fy（x，y）为y方向上的导数，ft（x，y）为位置（x，y）处时间方向上的导数。 然而，在我们程序中的离散世界中，我们只能近似这些导数，我们称之为梯度。因此，可以使用索贝尔过滤器。或者以更简单的方式使用微分算子，即

fx（x，y）=I（x，y）-I（x-1，y）

fy（x，y）=I（x，y）-I（x，y-1）

与时间梯度类似，但现在具有前一图像的图像强度A（x，y）

ft（x，y）=I（x，y）-A（x，y）

---

理想情况下，在实践中，A在我之前是一帧，但在理论上，A可以从以前的更多帧中提取，但这会使ft的精度降低。

Hmm，光圈问题不是意味着没有足够的方程来解方程吗？这就是为什么lukas kanade假设“每个点的相邻像素的U，V向量不变”，并使用每个相邻像素的强度进行求解。