困扰多年看了不久以后就又会莣记。

（1）梯度方向导数数是个数值

三维空间计算过程相似；

（1）梯度是一个向量。

（2）沿梯度方向的梯度方向导数数达到最大值；

以②维空间为例对于Z=f(x,y).在某点P(x0,y0)处的梯度可以理解为(DZ/Dx|x=x0，DZ/Dy|y=y0)具体到离散状态，用差分的形式来表示

就是（一维的表示方法）

所以求解一个图像的各个方向的梯度时我们采用模板与图像的卷积来进行计算：

分别表示在90度，0度135度和45度的变化。

总结：某一方向的梯度方向导数数也就昰f(x,y)在该方向的变化率（也就是f(x+Dx,y+dy)-f(x,y)的值）当该方向与梯度的方向一致时梯度方向也就是梯度方向导数数最大的方向，梯度方向导数数的值就等于梯度的模

有一个疑问是，在Canny算子进行边缘检测时也会用到梯度方向的最值问题，如果角度为0-45度之间的一个值该怎样取周围的像素点？

因为上面的4个角度在3×3的模板中就可以保证全部取到所以，若要更精确是不是要增加模板的大小？