surf算法中积分和（图）与盒式（box）滤波器的关系扩展（四，梯度和及效率）

以下，我们在图像处理中默认梯度，导数，差分是一个概念。

我们前面博客中关于自动对焦，使用了梯度和=|dx|+|dy|的方法解决。

我们上一节证明了积分和与二阶差分（梯度）的关系，或者说积分和与盒子（box）滤波器之间的关系。

显而易见，积分和能表达上面关系，那么梯度和也能表达二阶差分（梯度）的关系。

显然，盒子滤波器也可以用梯度和来处理，那么，请问，积分和加减效率高，还是梯度和效率高？

测试发现，小面积矩形内，梯度和效率高。

大面积矩形内，积分和效率高。看下图比较：

但在同一样的格子上，二者的值都是稳定的。（你应该知道我的意思）

因为一阶导数求导，就是二阶导数，梯度和这种关系，应该比积分和更近吧！

既然，积分和的加减能表达二阶差分，也就是说，积分和的加减也能表达梯度，

这就是积分和与梯度和以及盒子（box）滤波器的关系。

所以，我们的自动对焦，也可以用积分和的加减来实现。

附注：梯度和c#最后的优化代码如下：

DateTime dt = DateTime.Now;
            int _RoiW =(int) m_cutImageRoi.m_RoiBase1.rcWin.Width;
            int _RoiH = (int)m_cutImageRoi.m_RoiBase1.rcWin.Height;
            int _RoiX = (int)m_cutImageRoi.m_RoiBase1.rcWin.Left;
            int _RoiY = (int)m_cutImageRoi.m_RoiBase1.rcWin.Top;

  long msum = 0;
            for (int j = 1; j < _RoiH-1; j++)

//极限改进后的梯度和，小面积计算速度上绝对领先，接近512*512时，被反超0.001毫秒，202010130855
                for (int i = 1; i < _RoiW-1; i++)
                {
                   int n0 = ((j + _RoiY) * 512 + i + _RoiX);              
                    msum += glob_buffer512512[n0] - glob_buffer512512[n0 + 1];
                    msum += glob_buffer512512[n0] - glob_buffer512512[n0 + _RoiW];
                }
            textBoxtime.Text = (DateTime.Now - dt).ToString();
            Msum.Text = msum.ToString();//