本文概述：
一、計算機視覺（以下簡稱CV）概述
二、圖像預處理
o 圖像顯示與存儲原理（略）
o 圖像增強的目標
o 圖像處理方法
o 點運算：基於直方圖的對比度增強
o 形態學處理（略）
o 空間域處理：卷積
o 卷積的應用（平滑、邊緣檢測、銳化等）
o 頻率域處理：傅里葉變換、小波變換（略）
o 應用案例：
平滑、邊緣檢測、CLAHE等
一、CV研究內容概述：
二、圖像預處理
o 圖像增強的目標
o 圖像處理方法
因為在CNN或者其他深度學習網絡中，都需要對圖片數據進行特征提取，才能進行學習。因此提取圖片的特征非常重要，下面對特征提取進行簡單介紹：
o 點運算：基於直方圖的對比度增強
解釋：
對圖片數據/特征分布的一種統計，個人理解有點聚類的思想，就好比一件只有紅色和藍色的T恤，通過直方圖的統計，最終可以得到T恤（這里只用顏色舉例）的顏色分布的直方圖。這就是提取其特征的一種方式。
這里的“灰度”：黑白圖像中點的顏色深度，0~255，黑色是0，白色是255。灰度數字圖像是每個像素只有一個采樣顏色的圖像。
每一個像素：有256個灰度等級（像素值在0~255之間），每個等級代表不同的亮度。
解釋：
bin取的越大（最大255），則提前的特征分布越分散，每個像素統計出來，只對應一個區間（假設取255），
bin取的越小，比如取10，則這10個區間里可能包含多個不同數值的像素點。
為什么要進行直方圖均衡化：
這是為了對圖片進行調整，所拍的圖，往往因為太亮或者太暗等因素造成了，局部的灰度集中化，因此需要一種手段，進行（非線性的）重新分配各個灰度單位中的像素點數量（具體方法，一般是最終使得一定灰度范圍內像素點數量的值大致相同）
AHE的問題是：經過均衡化的圖像往往不連續
o 空間域處理：卷積
o 卷積的應用（平滑、邊緣檢測、銳化等）
因為均值濾波有很大的缺陷，因此用的很少，下面介紹幾種常見的濾波器
中值濾波：有效去除椒鹽噪聲
高斯濾波（重點）：高斯濾波名字的由來，我的理解是，它的濾波器（卷積核）數值分布是高斯分布，它的應用必須結合后面要講的高斯金字塔（捕捉不同尺寸的物體，尺寸縮小 + 高斯模糊）一起講。
這里簡單說明，高斯濾波其實是高斯模糊（blur），對於設定不同的標准差，高斯濾波將圖片變換成不同清晰度。
標准差越大，大部分數值與均值差異較大，數據分布越離散，所用的高斯濾波器（卷積核）分布越尖銳（想象高斯分布尖尖的突出的曲線），所得的圖片就會越模糊（但是所得的圖像依舊是平緩的，是大致可以看出是什么物體的）。標准差越小則相反，高斯濾波器分布越平緩，所得圖片不會那么模糊。
還有一些做邊緣檢測，團塊檢測，Laplacian 濾波銳化等濾波器，這里不做一一介紹，詳情參考PPT
直接進入重點：高斯金字塔
高斯金字塔：通過高斯平緩(模糊) + 降采樣(尺寸縮小)， 達到捕捉不同尺寸物體的目的。但是如果還想回復原圖像怎么辦，這就需要拉普拉斯金字塔啦。
拉普拉斯金字塔：將小尺寸的圖像數據，進行上采樣，得到大尺寸的圖像。具體看下圖中的說明：
