本文为 AI 研习社编译的技术博客，原标题 ： An Amazing Insight of How Image Processing Works 作者 | Bhanu Parashar 翻译 | 老赵 校对 | 酱番梨 整理 | 菠萝妹 原文链接： https://medium.com/@bhanuparashar23/an-amazing-insight-of-how-image-processing-works-9b7a17aa42a4
对图像处理如何工作的理解
我发现的最令人惊奇的是如何使用微积分巧妙地计算图像边缘。
考虑一个黑白图像
在这里，我放大了一个小区域。
如你所见，它包含许多像素。
它可以表示为具有以下约束的2D矩阵：
- 在AijAij中，i表示像素的x坐标，j表示y坐标
- 左上角是坐标（0,0）
- x，即向右移动时增加，而y，j在向下移动时增加
- AijAij的值范围为0到255,0表示黑色255表示白色
所以这个小区域的矩阵将是
现在只考虑矩阵的一行。
即：像这样的东西
表示为：
如果我们在图表上绘制它：
它会像
记住高值意味着更多的白色，低值意味着更多的黑色，范围从0到255。
第1部分：现在有趣的开始
如果我们将这个图表区分开来，考虑到函数y = f（x），该怎么办？
这里y是值AijAij，x是矩阵的i（这里y是不同的）
那么让我们绘制它的衍生物
正如你可以看到，从白色到黑色的图像变化点，衍生物的值突然增加
如果我们进一步区分，即双重差异，该怎么办？
所以你可以看到变化区域的突然爆发。
让我们在图像行中标记点：
现在，如果我们将这个东西应用于所有行并标记双重导数的高值。
它沿着图像的边缘
同样也可以将它用于所有列，你将获得图像中的完整边缘。
第2部分：数学实施（比上面更令人惊讶）
如何通过计算机将这种差异应用于图像：
一些数学家发现了一种叫做卷积的现象让我先解释一下：
考虑一个大的NxN矩阵和一个小的3x3矩阵：
这里，如果小矩阵的点积与大矩阵的所有3x3大小的部分完成。 点积表示每个元素乘以其各自的元素，例如。 131 *（ - 1），162 * 0,232 * 1等。
结果保存在另一个矩阵中。
这个过程称为卷积，这里3x3矩阵是内核，它可以更大，但最常用的是3x3。
这种现象是，如果一个大矩阵与一个类似于核的核心区域进行卷积，则在结果矩阵中突出显示（值增加），而非相似区域变暗。
代表双重差异的内核是：
以上这些也称为Sobel Kernel
第3部分：基于C 的OpenCV实现
输出
通过使用高斯导数，Canny边缘检测去除噪声可以实现许多进步，这些可以在线轻松研究。
图像：除了提供链接的图像之外的所有图像都是由我捕获和编辑的。
它如何扩展到彩色图像
颜色通常表示为RGB值（这里是OpenCV，它是BGR）
B->蓝色，G->绿色，R->红色边缘检测通常在将彩色图像转换为黑白之后进行。
但是还有一种方法，Image可以转换为HSV色空间这里 H 代表 Hue，S 代表饱和度，V 代表值，即 H 代表颜色，S 代表强度，V 代表亮度。
因此，如果我们只采用H或Hue，我们可以找到边缘而不受阴影或光线的影响。
还有其他方法。
