标准的 Sobel一阶核在x方向（本文仅考虑x方向，y方向为x方向的转置）的模板为 即为，显然，这个核是两个向量的乘积，即  为方便讨论，我们将行向量称为差分核（OpenCV中Sobel函数参数的核），列向量称为平滑核（OpenCV中Sobel函数参数的核），虽然根据最终结果来看，这两种核并没有本质区别。平滑核首先看平滑核。平滑核的系数满足对应级数的杨辉三角的系数，也就是二项式的系数。杨辉三角形的系数如下： 我们将级数为n的杨辉三角系数组成的矩阵即为，则的平滑核的系数为。即对于的平滑核，其系数为。那么的平滑核模板为 的平滑核模板为 一阶差分核对于的Sobel核，一阶差分核的系数（记为）为一阶差...

令输入图像对应的像素矩阵为，在第x行y列的像素值为；输出图像对应的像素矩阵为，在第x行y列的像素值为。设图像滤波的核矩阵为，在第行列位置的元素为。则滤波后的图像为原图像与核的卷积，满足以下关系式：线性滤波当锚点位于核的中心点时（anchor参数为默认的Point(-1,-1)），在第行列的输出像素值满足以下公式： 其中分别是核的行数和列数的一半向下取整。方框滤波/均值滤波表达式方框滤波和均值滤波的核是一致的，主要区别是要不要归一化处理。均值滤波就是方框滤波归一化后的特殊情况，核表示如下： 其中分别是核的宽和高。方框滤波的核为全1矩阵，没有前面的系数。示例举例说明，使用Size(3,1)，即宽为...

差分一阶差分对于一维连续或离散函数，在点处的差分定义为 对于二维连续或离散函数，差分定义为 二阶差分二阶差分定义为对一阶差分的差分。对于一维连续或离散函数，在点处的二阶差分定义为 同理，对于二维连续或离散函数，二阶差分定义为 高阶差分对于任意阶差分，其系数满足杨辉三角的系数，只需将偶数列取负值即可。微分微分是差分的点差趋近于0的特殊形式。对于一维连续函数，在点处的微分定义为 二阶微分为  在离散情况下，由于关于的差分无法趋近于0，因此一般用，也就是距离为1的差分来近似表示微分。 对于一维离散函数，在点处的微分定义为  二阶微分为 导数对于一维连续函数，在点处的导数定义为的差分与的差分在时的极限...

基础版 int main() { wint_t N; cin >> N; // 64元硬币 wint_t cost = 1024 - N, coin = cost / 64; cost %= 64; // 16元硬币 coin += cost / 16; cost %= 16; // 4元硬币 coin += cost / 4; cost %= 4; // 1元硬币 coin += cost; cout << coin; }  位运算 int main() { wint_t N; cin >> N; // 64元硬币 wint_t cost = 1024 -...