假期呆实验室，老师给的一些小任务，拿来作为第一篇博客练手
图像梯度的概念： 详情请看：图像梯度的基本原理
重点在于：图像的梯度和函数的梯度概念差不多，图像可以看做是离散的函数，每个离散点即为像素。根据梯度的微分表达式可得，图像的梯度可以相当于2个相邻像素之间的差值。相邻两个像素的像素值相差越大，梯度越大。可以用做提取边缘信息。
思路：读取图片后，转化为灰度图，再转化为double类型。根据图像梯度的概念，分别算x和y反向上的梯度，然后相加，作为这一像素的像素值。然后将梯度图（提取的边缘信息图）与原图像相加，得到合成图，相当于给原图像增强了边缘。
为什么要转化为double类型？ 因为imread()读入的图像是uint8类型，将原图像的灰度值转换成double的作用主要是考虑计算过程中的精度的问题，double 的数据是有小数点的，而uint8是0－255的整数，如果直接用uint8计算，会在计算过程中产生舍入误差，这种误差在图像的数据中是比较大的误差。显示的时候是因为我们的显示系统采用的颜色模式大多为RGB模式，其每一种颜色分量的取值只能在0－255，所以显示时要用uint8数据。
为什么要把图像转为灰度图进行处理？ 我们识别物体，最关键的因素是梯度（现在很多的特征提取，SIFT,HOG等等本质都是梯度的统计信息），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了。颜色本身，非常容易受到光照等因素的影响，同类的物体颜色有很多变化。所以颜色本身难以提供关键信息。
以上转自小波变换图像融合-1-代码分析
