Python 图像梯度的Tensorflow实现 问题

我试图从头开始实现图像渐变。我知道有多种方法可以做到这一点（包括Sobel和其他过滤器）。我的问题是关于图像梯度的Tensorflow实现

TF通过这种方法实现图像梯度，如图所示。根据TF文件，对于虚拟输入

[[0.1.2.3.4]
[ 5.  6.  7.  8.  9.]
[10. 11. 12. 13. 14.]
[15. 16. 17. 18. 19.]
[20. 21. 22. 23. 24.]

dy和dx分别是

dy=[[5.5.5.5.5]
[5. 5. 5. 5. 5.]
[5. 5. 5. 5. 5.]
[5. 5. 5. 5. 5.]
[0. 0. 0. 0. 0.]]
dx=[[1.1.1.1.0]
[1. 1. 1. 1. 0.]
[1. 1. 1. 1. 0.]
[1. 1. 1. 1. 0.]
[1. 1. 1. 1. 0.]],

但是当使用Sobel过滤器时（如图所示），我的输出是

dx=[-8.，-8.，-8.]，
[-8., -8., -8.],
[-8., -8., -8.]]]]
dy=[-40.，-40.，-40.]，
[-40., -40., -40.],
[-40., -40., -40.]]]]

虽然我知道这两种方法都是公认的计算梯度的方法，但我的问题是

为什么这两种方法的结果不相等

有没有办法将一种方法的结果转换成另一种方法

为什么这两种方法的结果不相等

因为它们做不同的事情。Tensorflow的

image_gradients

函数计算导数的有限差分近似值，这相当于使用两个核进行卷积：

| 1-1 | | 1|
| -1 |

Sobel过滤器与以下两个内核进行卷积：

| 10-1 | | 12 1|
|  2  0 -2 | / 8            |  0  0  0 | / 8
|  1  0 -1 |                | -1 -2 -1 |

这是估计梯度的两种不同方法

请注意，某些实现使用了不同的规范化。OP中Sobel的结果正好是导数预期值的8倍，因此它根本没有对内核进行规范化。它缺少获得正确大小所需的

/8

有没有办法将一种方法的结果转换成另一种方法

是的，我想你可以想出如何做到这一点，但你为什么要这样做？直接从输入图像计算所需的输出要容易得多