diff --git "a/data/1.OpenCV\345\210\235\351\230\266/3.\345\233\276\345\203\217\345\242\236\345\274\272\345\222\214\346\273\244\346\263\242/4.\346\242\257\345\272\246/Gradient.md" "b/data/1.OpenCV\345\210\235\351\230\266/3.\345\233\276\345\203\217\345\242\236\345\274\272\345\222\214\346\273\244\346\263\242/4.\346\242\257\345\272\246/Gradient.md"
new file mode 100644
index 0000000000000000000000000000000000000000..206fc8c370b39568c993d1661b9938a816123d39
--- /dev/null
+++ "b/data/1.OpenCV\345\210\235\351\230\266/3.\345\233\276\345\203\217\345\242\236\345\274\272\345\222\214\346\273\244\346\263\242/4.\346\242\257\345\272\246/Gradient.md"
@@ -0,0 +1,93 @@
+# Sobel 梯度算子
+
+在图像处理中，梯度反映了像素值的最大变化率的方向，能够突出和提取边缘，常用于工业检测中产品缺陷检测和自动检测的预处理。
+
+OpenCV 提供了三种梯度算子：Sobel、Scharr 和 Laplacian。Sobel 梯度算子是高斯平滑和微分求导的联合运算，抗噪声能力强。
+
+Sobel 梯度算子很容易通过卷积操作 cv.filter2D 实现，OpenCV 也提供了函数 **cv.Sobel** 实现 Sobel 梯度算子。
+
+**函数说明：**
+
+```
+cv.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]) → dst
+```
+
+我们用 Sobel 算子从 Lena 图像提取边缘，看看会产生什么样的效果吧。
+
+![](./gradientOutput.png)
+
+下面对 Sobel 梯度算子实现代码正确的是？
+
+##  答案
+
+```
+import cv2 as cv
+
+if __name__ == '__main__':
+    img = cv.imread("lena.png", flags=1)
+    imgGray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
+
+    SobelX = cv.Sobel(imgGray, cv.CV_16S, 1, 0)  # 计算 x 轴方向
+    SobelY = cv.Sobel(imgGray, cv.CV_16S, 0, 1)  # 计算 y 轴方向
+    absX = cv.convertScaleAbs(SobelX)  # 转回 uint8
+    absY = cv.convertScaleAbs(SobelY)  # 转回 uint8
+    SobelXY = cv.addWeighted(absX, 0.5, absY, 0.5, 0)  # 用绝对值近似平方根
+
+    cv.imshow("Sobel gradient", SobelXY)
+    cv.waitKey(0)
+```
+
+##  选项
+
+###  函数 cv.Sobel() 缺少参数：数据深度 ddepth
+
+```
+import cv2 as cv
+
+if __name__ == '__main__':
+    img = cv.imread("lena.png", flags=1)
+    imgGray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
+
+    SobelX = cv.Sobel(imgGray, 1, 0)
+    SobelY = cv.Sobel(imgGray, 0, 1)
+    absX = cv.convertScaleAbs(SobelX)
+    absY = cv.convertScaleAbs(SobelY)
+    SobelXY = cv.addWeighted(absX, 0.5, absY, 0.5, 0)
+
+    cv.imshow("Sobel gradient", SobelXY)
+    cv.waitKey(0)
+```
+
+###  梯度运算结果有正负，绝对值或平方和处理后才能加权
+
+```
+import cv2 as cv
+
+if __name__ == '__main__':
+    img = cv.imread("lena.png", flags=1)
+    imgGray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
+
+    SobelX = cv.Sobel(imgGray, cv.CV_16S, 1, 0)  # 计算 x 轴方向
+    SobelY = cv.Sobel(imgGray, cv.CV_16S, 0, 1)  # 计算 y 轴方向
+    SobelXY = cv.addWeighted(SobelX, 0.5, SobelY, 0.5, 0)  # 用绝对值近似平方根
+
+    cv.imshow("Sobel gradient", SobelXY)
+    cv.waitKey(0)
+
+```
+
+###  只对 x 轴方向进行了梯度运算
+
+```
+import cv2 as cv
+
+if __name__ == '__main__':
+    img = cv.imread("lena.png", flags=1)
+    imgGray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
+
+    SobelX = cv.Sobel(imgGray, cv.CV_16S, 1, 0)  # 计算 x 轴方向
+    absX = cv.convertScaleAbs(SobelX)  # 转回 uint8
+
+    cv.imshow("Sobel gradient", absX)
+    cv.waitKey(0)
+```