numpy或scipy是否包含一个与n维“渐变”fn相反的函数？
E.g。如果“image”包含一个2D矩阵，那么我想要一个函数inv_gradient，其行为如下：
(gx, gy) = numpy.gradient(image)
constant_vector_0 = image[0,:] - inv_gradient(gx, gy)[0,:]
constant_vector_1 = image[:,0] - inv_gradient(gx, gy)[:,0]
image == inv_gradient(gx, gy) + tile(constant_vector_0,(shape(image)[0],1)) + transpose(tile(constant_vector_1,(shape(image)[1],1)))
答案 0 :(得分：3)
您所描述的基本上是一个逆滤波器。这些存在但有限。
理解这一点的一种方法是通过convolution theorem，并将渐变视为卷积的特定内核，在这种情况下，如1D中的（-1,0,1）。那么问题是，内核的傅立叶变换（FT）将具有零，并且当内核的FT与信号相乘时，内核的FT中的零会清除此部分中的原始数据中的任何数据。频谱（当噪声添加到图像时，这会产生更多问题）。特别是对于渐变，f = 0频段有0个幂，这是人们在评论中所指的，但其他信息也会丢失。
尽管如此，你可以从逆滤波器中获得很多，也许你需要的东西。这是相当具体的案例。