本文為 AI 研習(xí)社編譯的技術(shù)博客，原標(biāo)題 ：

An Amazing Insight of How Image Processing Works

作者 | Bhanu Parashar

翻譯 | 老趙    校對(duì) | 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(duì)圖像處理如何工作的理解

我發(fā)現(xiàn)的最令人驚奇的是如何使用微積分巧妙地計(jì)算圖像邊緣。

考慮一個(gè)黑白圖像

在這里，我放大了一個(gè)小區(qū)域。

如你所見(jiàn)，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(biāo)，j表示y坐標(biāo)

2. 左上角是坐標(biāo)（0,0）

3. x，即向右移動(dòng)時(shí)增加，而y，j在向下移動(dòng)時(shí)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(gè)小區(qū)域的矩陣將是

現(xiàn)在只考慮矩陣的一行。

即：像這樣的東西

表示為：

如果我們?cè)趫D表上繪制它：

它會(huì)像

記住高值意味著更多的白色，低值意味著更多的黑色，范圍從0到255。

如果我們將這個(gè)圖表區(qū)分開(kāi)來(lái)，考慮到函數(shù)y = f（x），該怎么辦？

這里y是值A(chǔ)ijAij，x是矩陣的i（這里y是不同的）

那么讓我們繪制它的衍生物

正如你可以看到，從白色到黑色的圖像變化點(diǎn)，衍生物的值突然增加

如果我們進(jìn)一步區(qū)分，即雙重差異，該怎么辦？

所以你可以看到變化區(qū)域的突然爆發(fā)。

讓我們?cè)趫D像行中標(biāo)記點(diǎn)：

現(xiàn)在，如果我們將這個(gè)東西應(yīng)用于所有行并標(biāo)記雙重導(dǎo)數(shù)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。

如何通過(guò)計(jì)算機(jī)將這種差異應(yīng)用于圖像：

一些數(shù)學(xué)家發(fā)現(xiàn)了一種叫做卷積的現(xiàn)象讓我先解釋一下：

考慮一個(gè)大的NxN矩陣和一個(gè)小的3x3矩陣：

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

結(jié)果保存在另一個(gè)矩陣中。

這個(gè)過(guò)程稱為卷積，這里3x3矩陣是內(nèi)核，它可以更大，但最常用的是3x3。

這種現(xiàn)象是，如果一個(gè)大矩陣與一個(gè)類(lèi)似于核的核心區(qū)域進(jìn)行卷積，則在結(jié)果矩陣中突出顯示（值增加），而非相似區(qū)域變暗。

代表雙重差異的內(nèi)核是：

以上這些也稱為Sobel Kernel

輸出

通過(guò)使用高斯導(dǎo)數(shù)，Canny邊緣檢測(cè)去除噪聲可以實(shí)現(xiàn)許多進(jìn)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(kuò)展到彩色圖像

顏色通常表示為RGB值（這里是OpenCV，它是BGR）

B->藍(lán)色，G->綠色，R->紅色邊緣檢測(cè)通常在將彩色圖像轉(zhuǎn)換為黑白之后進(jìn)行。

但是還有一種方法，Image可以轉(zhuǎn)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(qiáng)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(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

想要繼續(xù)查看該篇文章相關(guān)鏈接和參考文獻(xiàn)？

長(zhǎng)按鏈接點(diǎn)擊打開(kāi)或點(diǎn)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(xí)社每日更新精彩內(nèi)容，觀看更多精彩內(nèi)容：

神經(jīng)網(wǎng)絡(luò)如何完成表征？

進(jìn)入 kaggle 競(jìng)賽前 2% 的秘訣

如何極大效率地提高你訓(xùn)練模型的速度？

這 25 個(gè)開(kāi)源機(jī)器學(xué)習(xí)項(xiàng)目，一般人我不告訴 Ta

等你來(lái)譯：

五個(gè)很厲害的 CNN 架構(gòu) 

這5種計(jì)算機(jī)視覺(jué)技術(shù)，刷新你的世界觀 

神經(jīng)網(wǎng)絡(luò)和3D程序化生成的未來(lái)

使用TensorSpace.js來(lái)做神經(jīng)網(wǎng)絡(luò)的的3D可視化

AI研習(xí)社資料推薦：