现在我们能够计算吉布斯采样前后的可见输入和条件概率*P(h | v)*,我们可以计算梯度,包括![](img/672584aa-4b9b-4feb-9717-4b072ab2f22a.png)*,Δa=`v[0]`-v <sub> k </sub>* 和*Δb= P(h | v <sup>(0)</sup>)-P(h | v <sup>(k)</sup> )*,如下所示:
2. 对于图像 G 中每个具有强度`I[c]`(x,y)的像素,选择`P`相邻点(`p[0]`,`p[1]`.. p <sub>P-1</sub> ),其半径[`I[0]`,`I[1]`.. I <sub>P-1</sub> )具有相应的强度。`R`。 半径以像素为单位定义为两个像素之间的差。 像素和相邻点代表图像 G 的滑动窗口 W。对于半径 R = 1,P 变为 8,如下所示。
2. 对于图像 G 中每个具有强度`I[c]`(x,y)的像素,选择`P`相邻点(`p[0], p[1], ..., p[P-1]`),其半径`[I[0], I[1], ..., I[P-1]`具有相应的强度。`R`。 半径以像素为单位定义为两个像素之间的差。 像素和相邻点代表图像 G 的滑动窗口 W。对于半径 R = 1,P 变为 8,如下所示。
滑动窗口`W[0]`用![](img/da8626a4-00d9-4c10-8f2c-bc2209a48071.png)表示为数组。 在这里,点 0 到 P-1 代表围绕中心像素 c 的 P 个点的强度: