1梯度，散度，旋度
梯度：向量。函數在該點處沿着該方向（此梯度的方向）變化最快，變化率最大（爲該梯度的模）。
如果現在的純量場用一座山來表示,純量值越大的地方越高,反之則越低.經過梯度這個運操作數的運算以後,會在這座山的每一 個點上都算出一個向量,這個向量會指向每個點最陡的那個方向,而向量的大小則代表了這個最陡的方向到底有多陡.
用在圖像中最常見就是用來檢測圖像的邊緣啦，不過那時候是離散函數，所以用的是差分吶！
； 
散度：是一個值；散度的作用對像是向量場,如果現在我們考慮任何一個點(或者說這個點的周圍極小的一塊區域),在這個點上,向 量場的發散程度,如果是正的,代表這些向量場是往外散出的.如果是負的,代表這些向量場是往內集中的.
用水流來解釋，散度的物理意義可以敘述爲：
如果一點的散度大於0，那麼在這一點有一個水龍頭不斷往外冒水（稱爲源點）
如果一點的散度小於0，那麼在這一點有一個下水道，總有一些水只進不出（稱爲匯點）
如果一點的散度等於0，那麼請放心，在這個點周圍的小區域裏，單位時間進來多少水就出去多少水。
旋度： 運算的對像是向量,運算出來的結果會是向量。
2.2. 散度在圖像去噪中的應用
最普遍的就是銳化時使用的拉普拉斯算子，本質是將周圍幾個單元的灰度變化率的變化趨勢區分開來，從而達到區分邊緣的效果。數字圖像處理裏的散度不能按場論中的散度來理解，當成一種數學運算方法就行。
https://www.zhihu.com/question/24591127
這段代碼是matlab 上對上面方程的驗證，以及可以看看如何求梯度、旋度。
% 生成7×7整數型的矩陣
z = randi(7,7);
[zx,zy] = gradient(z);
div = divergence(zx,zy);
[zx_x,zx_y] = gradient(zx);
[zy_x,zy_y] = gradient(zy);
% divergence(zx,zy) =zx_x + zy_y
res = zx_x + zy_y - divergence(zx,zy);
3.kron函數（卷積）
格式 C=kron (A,B) %A爲m×n矩陣，B爲p×q矩陣，則C爲mp×nq矩陣。
kron即爲Kronecker積，所謂Kronecker積是一種矩陣運算，其定義可以簡單描述成：
X與Y的Kronecker積的結果是一個矩陣：
X11*Y X12*Y … X1n*Y
X21*Y X22*Y … X2n*Y
……
Xm1*Y Xm2*Y … Xmn*Y
如實例：
上面這個代碼是一種用途，特此記下來。
3.np.clip()h函數
例如給定一個區間[0,1]，則小於0的將變成0，大於1則變成1. numpy.clip(a,a_min,a_max,a=None)
4 if __name__ == '__main__'的理解
if __name__ == '__main__' 我們簡單的理解就是： 如果模塊是被直接運行的，則代碼塊被運行，如果模塊是被導入的，則代碼塊不被運行。