導讀本文為AI研習社編譯的技術博客，原標題：AnAmazingInsightofHowImageProcessingWorks作者|BhanuParashar翻....

本文為 AI 研習社編譯的技術博客，原標題 ：

An Amazing Insight of How Image Processing Works

作者 | Bhanu Parashar

翻譯 | 老趙 校對 | 醬番梨

整理 | 菠蘿妹

原文鏈接：

https://medium.com/@bhanuparashar23/an-amazing-insight-of-how-image-processing-works-9b7a17aa42a4

對圖像處理如何工作的理解

我發現的最令人驚奇的是如何使用微積分巧妙地計算圖像邊緣。

考慮一個黑白圖像

在這里，我放大了一個小區域。

如你所見，它包含許多像素。

它可以表示為具有以下約束的2D矩陣：

1. 在AijAij中，i表示像素的x坐標，j表示y坐標
2. 左上角是坐標（0,0）
3. x，即向右移動時增加，而y，j在向下移動時增加
4. AijAij的值范圍為0到255,0表示黑色255表示白色

所以這個小區域的矩陣將是

現在只考慮矩陣的一行。

即：像這樣的東西

表示為：

如果我們在圖表上繪制它：

它會像

所以你可以看到變化區域的突然爆發。

讓我們在圖像行中標記點：

現在，如果我們將這個東西應用于所有行并標記雙重導數的高值。

它沿著圖像的邊緣

同樣也可以將它用于所有列，你將獲得圖像中的完整邊緣。

第2部分：數學實施（比上面更令人驚訝）

如何通過計算機將這種差異應用于圖像：

一些數學家發現了一種叫做卷積的現象讓我先解釋一下：

考慮一個大的NxN矩陣和一個小的3x3矩陣：

這里，如果小矩陣的點積與大矩陣的所有3x3大小的部分完成。 點積表示每個元素乘以其各自的元素，例如。 131 *（ - 1），162 * 0,232 * 1等。

結果保存在另一個矩陣中。

這個過程稱為卷積，這里3x3矩陣是內核，它可以更大，但最常用的是3x3。

這種現象是，如果一個大矩陣與一個類似于核的核心區域進行卷積，則在結果矩陣中突出顯示（值增加），而非相似區域變暗。

代表雙重差異的內核是：

以上這些也稱為Sobel Kernel

第3部分：基于C 的OpenCV實現

輸出

通過使用高斯導數，Canny邊緣檢測去除噪聲可以實現許多進步，這些可以在線輕松研究。

圖像：除了提供鏈接的圖像之外的所有圖像都是由我捕獲和編輯的。

它如何擴展到彩色圖像

顏色通常表示為RGB值（這里是OpenCV，它是BGR）

B->藍色，G->綠色，R->紅色邊緣檢測通常在將彩色圖像轉換為黑白之后進行。

但是還有一種方法，Image可以轉換為HSV色空間這里 H 代表 Hue，S 代表飽和度，V 代表值，即 H 代表顏色，S 代表強度，V 代表亮度。

因此，如果我們只采用H或Hue，我們可以找到邊緣而不受陰影或光線的影響。

還有其他方法。雷鋒網雷鋒網雷鋒網

想要繼續查看該篇文章相關鏈接和參考文獻？

長按鏈接點擊打開或點擊【一文帶你讀懂圖像處理工作原理】：

http://ai.yanxishe.com/page/TextTranslation/1248

AI研習社每日更新精彩內容，觀看更多精彩內容：

神經網絡如何完成表征？

進入 kaggle 競賽前 2% 的秘訣

如何極大效率地提高你訓練模型的速度？

這 25 個開源機器學習項目，一般人我不告訴 Ta

等你來譯：

五個很厲害的 CNN 架構

這5種計算機視覺技術，刷新你的世界觀

神經網絡和3D程序化生成的未來

使用TensorSpace.js來做神經網絡的的3D可視化

AI研習社資料推薦：