[cv基础一] 图像底层特征：轮廓与边缘
写在前面：用深度学习的方法调了一波参数，改了一波网络结构，回过头，最想做的事情，当然是好好补一补计算机视觉的基础，弥补一下对传统计算机视觉理解的薄弱部分。所以，接下来，开始补习计算机视觉的基础。供自己以后复习，看客仅供参考。
图像底层特征提取是计算机视觉的基本步骤。那么，接下来，就从what，why，how几个方面，来一一解答。
一，什么是图像底层特征？
图像底层特征指的是：轮廓和边缘。
1.边缘和轮廓能反映图像内容；
2.如果能对边缘和关键点可靠提取的话，很多视觉问题就基本上得到了解决。
二，边缘的物理意义
1.图像边缘的产生
物体的边界，表面方向的改变，不同的颜色，光照明暗的变化，都会产生图像边缘。如图1。
![[cv基础一] 图像底层特征：轮廓与边缘_第1张图片](http://img.e-com-net.com/image/info8/d82683abafd64293a4fc7f81ac6c90a5.jpg)
图1
2.图像边缘的定义
-“边缘时图像中亮度突然变化的区域。”
-“图像灰度构成的曲面上的陡峭区域。“
-”像素灰度存在跃阶变化或屋脊状变化的像素的集合。”
3.图像边缘的类型
图像边缘的类型包括：阶梯状边缘，屋脊状边缘和线条状边缘。以灰度图像为例，灰度图像中边缘的类型如图2。
![[cv基础一] 图像底层特征：轮廓与边缘_第2张图片](http://img.e-com-net.com/image/info8/ccf0969661b24cee9ece6c0f9eb69a6f.jpg)
图2
4.为什么要提取边缘？
-边缘是最基本的图像特征之一；
-可以表达物体的特征；
-边缘特征对于图像的变化（几何变化，灰度变化，光照方向变化）不敏感；
-可以为物体检测提供有用的信息；
-是一种典型的图像预处理过程。
三，如何提取边缘？
对于灰度图像的边缘提取而言，主要的思想包括：
-抑制噪声（低通滤波，平滑，去噪，模糊）
-边缘特征增强（高通滤波，锐化）
-边缘定位
流程如下：
原始图像->抑制噪声 or 增强边缘 -> 中间结果 -> 边缘定位 -> 图像边缘
具体来说，也就是通过图像微分算子来实现。
包括：
-一阶微分算子（梯度算子，prewitt, sobel），通过检测最大值来实现；
-二阶微分算子（laplacian），通过检测过零点来实现。
个人体会：边缘定位->通过计算图像梯度来实现->近似一节微分运算->通过高通滤波（卷积）来实现。
附录：卷积与滤波
什么是滤波？
要了解什么是滤波，首先要知道什么是波。
图像原本只是一种随时间推移的波形图，也就是图像一开始处于时域状态，而我们并不能从时域图像中看出什么东西（除了一堆突起），而伟大的傅里叶公式让图像从时域中转换到的频域中。
图像由不同频率的波长组成，存在着高频部分和低频部分，当然这之间没有明确界限，我们需要知道的是高频部分和低频部分到底代表着什么。
高频部分其实就是代表着这幅图像的边缘信息，也就是锐度。
低频部分刚好相反，代表的是这幅图像的灰度变化信息，也就是内容。
那么我们把高频部分的波称作为高频波，低频部分的则称为低频波。这就是波。
那么什么是滤波呢，顾名思义，就是将某一部分波过滤掉。
什么是卷积？
卷积的运用很广泛，在数据结构中也有相对应的卷积，而在图像处理中，卷积就更加有用了。
通俗的讲，卷积其实就是加权求和，卷积模板就是权值。
比如 下面这幅图
![[cv基础一] 图像底层特征：轮廓与边缘_第3张图片](http://img.e-com-net.com/image/info8/4b58836d04364c30832e81971cbbd685.png)
我们挑选这点（2，2）的周围（3*3）区域作为卷积对象，首先，我们要设定卷积模板（当然模板也要3*3）
首先 我们假定这3*3区域内的灰度值为 （3，3，3；2，2，1；1，2，3）；
那么我们假定一个卷积模板为（1，2，1；0，0，0，-1，-2，-1）；
则我们做卷积运算，对应加权求和： sum=1*3+3*2+3*1+0*2+0*2+0*1+（-1）*1+（-2）*2+（-1）*3；
算下来为sum=4；
我们把灰度值4作为（2，2）点的新灰度，就完成了这次卷积运算。
了解过卷积以后，我们就懂了一个新的名词————滤波器，滤波器就是一个特定的公式导出的一个特定的卷积模板。
高通滤波器
高通滤波器就是让图像高频波通过，滤掉低频波部分，保留边缘信息。
我们常见的高通滤波器有：sobel，Laplacian等
Sobel算子，就是对图像求导（一阶导数），x方向 y方向对应着两个不同的算子
x方向（1，0，-1；2，0，-2，；1，0，-1）；
y方向（1，2，1；0，0，0；-1，-2，-1）；
Laplacian算子 这个算子是对图像求二阶导数，就一个算子
（0，1，0；1，-4，1；0，1，0）；
为了亮度归一化 算子求和一般为0。
低通滤波器
低通滤波器就是将高频部分滤掉，保留低频部分，其实就是模糊，降噪。
通常低通滤波器有高斯滤波器等。
高斯滤波就是利用了正态分布方程作为卷积模板的建立方程，所能去除的是高斯噪声。
函数实现起来也很简单 和上面的滤波一样 只是卷积模板要通过高斯方程求解一下而已。
opencvAPI也就一句话 GaussianBlur，这个函数利用了高斯方程的高阶可分离性，将二位的卷积计算转化为两次一维运算，大大减少运行时间。
滤波器的作用
简而言之，高频滤波器的作用是对图像进行锐化，保留边缘信息。低频滤波器的作用是对图像进行模糊，降噪。
滤波器通常用在预处理图像上，就比如我刚刚想要用拉普拉斯算子做二阶边缘提取，我先是用了高斯模糊去除了高斯噪声，因为拉普拉斯算子对噪声非常敏感。很多时候，一个好的预处理可以将一个算法提高到一个新的效果。滤波就担任着这样的职责。
附录来自博客：https://blog.csdn.net/cyhbrilliant/article/details/52526221