暑假期間我排除一些干擾，終於得以出來實習。實習時間只有兩個月，但是希望能夠有所收穫吧。真正專心地學習影象知識和C++只有四個月左右的時間，正好利用這次實習的機會來感受一下影象處理行業。學習影象時，基本的練習都是用書本提供的圖片、程式碼，去驗證書上的處理效果，當然結果都是差不多的。在熟悉演算法的同時，卻往往會忘了思考為什麼要用這樣的方法處理。

實習階段，我感受到對影象知識數學原理理解的重要性，以及在此原理上的方法應用的場合。首先，加深了我對空間濾波的理解。灰度變換和空間濾波是空間域處理的兩種主要方法，灰度變換是特殊的空間濾波處理，它的鄰域大小為1*1大小，所以灰度變換也稱為點處理技術，岡薩雷斯的《數字影象處理》一書中用灰度變換實現了影象增強和影象分割兩種應用，目前個人學的還比較淺。灰度變換主要用在影象全域性顯示效果改善上，如冪律變換，直方圖拉伸等，還有就是閾值分割了，這個大家都應該很熟悉。

空間濾波器是影象處理的重點，是影象預處理的重要組成部分。空間濾波器的機理主要是（1）一個鄰域（2）在該鄰域上預定義的操作（一般是濾波器係數和畫素的乘積和）。濾波器產生一個新畫素取代濾波器中心點的畫素值。濾波的本質是加權，即選擇性的提取影象中某些方面的內容，這些內容能夠滿足特定的應用場合。opencv中低通濾波基本的函式有均值濾波blur，高斯濾波GaussianBlur。

均值濾波函式一般只是簡單的用鄰域畫素均值取代中心的畫素值，其模糊效果與鄰域尺寸直接相關，尺寸越大影象越模糊，對細節的保留越少，它適用於提取全域性影象目標中的主要目標，對感興趣物體進行粗略的描述。

高斯濾波屬於加權平均濾波，它的濾波效果與鄰域尺寸和加權係數分佈有關，離中心越近的點加權係數越高，因此高斯模糊可以在過度平滑和保留細節之間折衷，加權係數的獲取可以用對應的sigma值呼叫函式getGaussianKernal。不同的sigma值對應不同的係數分佈，高斯函式影象如下，可見sigma越小，中心畫素值佔的比重越大。

opencv中高斯函式還有一個使用技巧是，可以只設置sigma的值（第四個引數）由opencv決定size的值（第三個引數設為0）。反過來也可以，即只提供尺寸的數值，sigma設為0，由函式自行判斷最適合的sigma值。

       在本次實習的專案中相機標定部分使用自定義的標定板，獲取標定板的角點之前先對影象經行了高斯模糊，這樣可以保證獲取的角點位於兩條直線的交點。可見，高斯濾波適合提取全域性影象細節中的主要細節（自己的理解），所以高斯濾波在許多opencv函式中作為去除噪聲的首選函式。

這裡順便提一下中值濾波，中值濾波是非線性濾波器，基於它的濾波原理，其非常適合消除椒鹽噪聲，椒鹽噪聲一般是在訊號通訊過程中受到干擾而產生的。中值濾波有利於儲存邊緣，但會洗去勻質區域的紋理

影象模糊處理類似於積分，相應的有影象的空間微分，微分處理主要是突出影象上灰度的過渡部分，即邊緣。關於影象微分《數字影象處理》講解的非常好，我這裡簡單描述一下一階微分和二階微分的差異，首先，它們的公式還是要記得的，然後 性質也就很清楚了。

一階微分：（1）恆定灰度區域為0，（2）灰度臺階或斜坡開始處不為0，            （3）灰度斜坡點處不為0

二階微分：（1）恆定灰度區域為0，（2）灰度臺階或斜坡開始和結束處不為0，（3）灰度斜坡點出為0

一階微分在影象中主要是用梯度幅值來實現的，所以也可以稱為是幅梯度圖。數字影象的在邊緣上的灰度常常類似於斜坡過渡，這樣導致一階微分產生較粗的邊緣，opencv中常用的一階邊緣函式是sobel，也可以利用自定義的核+filter2D實現影象一階微分運算或者特定方向邊緣檢測的運算。

二階微分在影象處理中使用 拉普拉斯運算元實現，拉普拉斯運算元產生的邊緣較sobel運算元要細，同時很難保證邊緣的連續性，在質量較好，背景單一的影象中可以考慮使用二階微分來計算邊緣。此外，二階微分對孤立點和細線也有較強的響應，具體例項可參考《數字影象和處理》第十章。

以下給出sobel,laplacian運算元處理lena圖的邊緣結果：

程式碼如下：

	void main()
	{
		Mat dst, dst1,dst2,dst3,dst4, dst5;
		Mat src = imread("F:\\程式設計學習\\影象處理\\圖片庫\\影象處理練習圖片庫\\lena.png", 0);
		resize(src, src, Size(600, 600));
		imshow("原圖", src);

		Scharr(src, dst2, CV_16S, 1,0);
		Scharr(src, dst3, CV_16S, 0,1);
		addWeighted(abs(dst2), 0.5,abs(dst3), 0.5, 0, dst4);

		double max = 0;
		minMaxLoc(dst4, 0, &max);  //提取最大值用於歸一化
		cout << max << endl;
		dst4.convertTo(dst5, CV_8U, 255./max);  //轉變影象資料型別，並歸一化
		threshold(dst5, dst5, 40, 255, THRESH_BINARY);//閾值化
		imshow("Scharr合成sobel", dst5);

		Mat dst1_1;
		Laplacian(src, dst1, CV_16S, 3);
		double max2 = 0;
		minMaxLoc(dst1, 0, &max2);
		cout << max << endl;
		dst1.convertTo(dst1_1, CV_8U, 255. / max2);
		threshold(dst1_1, dst1_1, 40, 255, THRESH_BINARY);
		imshow("拉普拉斯圖", dst1_1);
		waitKey(0);
	}

從影象可看出，一階邊緣雖然較粗，但是比較完整、連續的顯示出了影象邊緣，可以很方便的用findContours函式對這些邊緣進行提取。二階微分產生的邊緣較細，斷裂處較多無法很好的進行輪廓提取。實際使用中，梯度閾值法也是邊緣獲取的一種選擇。此外，還有優秀的canny邊緣檢測運算元，它提取的邊緣質量很高，但是也會出現邊緣斷裂的問題，需要自己後續處理。