图像边缘检测

图像边缘检测相关的数学概念理解如下：
1）微积分它是一种数学思想，‘无限细分’就是微分，‘无限求和’就是积分。无限就是极限，极限的思想是微积分的基础，它是用一种运动的思想看待问题。比如，子弹飞出枪膛的瞬间速度就是微分的概念，子弹每个瞬间所飞行的路程之和就是积分的概念。
2）微积分的二次积分就相当于求函数曲线面积的值，三次积分相当于体积的值，线积分相当于运动物体曲线运动的距离（以及速度等特殊含义），面积分相当于流量的大小或者流速的大小……。
高斯分布,也称正态分布,又称常态分布.对于随机变量X,其概率密度函数如图所示.称其分布为高斯分布或正态分布,记为N（μ,σ2）,其中为分布的参数,分别为高斯分布的期望和方差.当有确定值时,p(x)也就确定了,特别当μ=0,σ2=1时,X的分布为标准正态分布.μ正态分布最早由棣莫佛于1730年在求二项分布的渐近公式时得到；后拉普拉斯于1812年研究极限定理时也被引入；高斯（Gauss）则于1809年在研究误差理论时也导出了它.高斯分布的函数图象是一条位于x轴上方呈钟形的曲线,称为高斯分布曲线,简称高斯曲线.
3）导数是微积分中的重要基础概念。当自变量的增量趋于零时，因变量的增量与自变量的增量之商的极限。在一个函数存在导数时，称这个函数可导或者可微分。可导的函数一定连续。不连续的函数一定不可导。导数实质上就是一个求极限的过程，导数的四则运算法则来源于极限的四则运算法则。
导数是微积分学中重要的基础概念。一个函数在某一点的导数描述了这个函数在这一点附近的变化率。导数的本质是通过极限的概念对函数进行局部的线性逼近。当函数的自变量在一点上产生一个增量时，函数输出值的增量与自变量增量的比值在趋于0时的极限如果存在，即为在处的导数，记作、或。例如在运动学中，物体的位移对于时间的导数就是物体的瞬时速度。
导数是函数的局部性质。不是所有的函数都有导数，一个函数也不一定在所有的点上都有导数。若某函数在某一点导数存在，则称其在这一点可导，否则称为不可导。如果函数的自变量和取值都是实数的话，那么函数在某一点的导数就是该函数所代表的曲线在这一点上的切线斜率。
对于可导的函数，也是一个函数，称作的导函数。寻找已知的函数在某点的导数或其导函数的过程称为求导。反之，已知导函数也可以倒过来求原来的函数，即不定积分。微积分基本定理说明了求原函数与积分是等价的。求导和积分是一对互逆的操作，它们都是微积分学中最为基础的概念。
知道的他们的一本概念我们来看看图像的边缘检测
图像边缘检测——基本思想

l） 边缘检测的本质是微分
lI)实际中常用差分，x方向和y方向

OPENCV实现
Sobel算子 OpenCV实现
void Laplacian(InputArray s r c , OutputArray d s t , int d d e p t h , int k s i z e = 1, double s c a l e = 1, double d e lt a = 0, int b o r d e r T y p e = BORDER_DEFAULT ) Python: d s t = cv.Laplacian( s r c , d d e p t h [, d s t [, k s i z e [, s c a l e [, d e lt a [, b o r d e r T y p e ]]]]] ) l 拉普拉斯滤波
void Canny( InputArray i m a g e , OutputArray e d g e s , double t h r e s h o l d 1 , double t h r e s h o l d 2 , int a p e r t u r e S i z e =3, bool L 2 g r a d i e n t =false ); Python: d s t = cv.Canny( i m a g e , t h r e s h o l d 1 , t h r e s h o l d 2 [, e d g e s [, a p e r t u r e S i z e [, L 2 g r a d i e n t ]]]