第1章边缘检测概述

1、边缘检测概述：什么是边缘检测

各位同学好，我是你们这门课的老张。做嵌入式视觉这些年，我接触过不少算法，但要说最基础、最常用的，还得是边缘检测。

说白了，边缘检测就是找出图像中亮度变化剧烈的地方。你想想看，一张照片里，物体和背景的分界线、物体的轮廓、纹理的边界——这些地方像素值会突然跳变。边缘检测算法就是专门抓这种跳变的。

我记得刚入行那会儿，带我的师傅跟我说过一句话：「边缘是图像的眼睛」。这么多年下来，我越来越觉得这话有道理。很多高级视觉任务，比如目标识别、三维重建、图像分割，第一步往往都是先做边缘检测。

边缘检测本质上是一个微分运算。图像是离散的二维信号，我们对它求一阶导数或二阶导数。一阶导数的极大值点对应边缘，二阶导数的过零点也对应边缘。

嗯，这里要注意：实际图像是有噪声的。直接求导会把噪声也放大。所以标准的做法是：先平滑，再求导。这就是为什么几乎所有边缘检测算子都包含一个高斯滤波步骤。

核心公式（一维情况）：

一阶导数：f'(x) ≈ f(x+1) - f(x)

二阶导数：f''(x) ≈ f(x+1) - 2f(x) + f(x-1)

在二维图像中，我们分别对x方向和y方向求偏导，然后合成梯度幅值和方向。

我这些年做过的项目里，边缘检测几乎无处不在。挑三个典型的说说。

自动驾驶里，边缘检测是感知层的基石。车道线检测、障碍物识别、交通标志牌定位——这些任务的第一步几乎都是边缘提取。

我曾经参与过一个ADAS项目，当时用的就是Canny边缘检测配合霍夫变换做车道线检测。说实话，效果还不错。但有个坑：夜间或者雨雾天气，边缘信息会变得很弱。后来我们加了自适应阈值处理，才把鲁棒性提上来。

医疗影像这块，边缘检测主要用于器官分割和病灶定位。CT图像里，肿瘤和正常组织的边界往往就是边缘。

我记得有个项目是做肺结节检测。CT图像中，结节的边缘通常比较模糊，而且周围有血管干扰。直接用标准Canny算法，要么漏检，要么误检太多。后来我们改用了各向异性扩散滤波做预处理，效果才明显改善。

我的经验：医疗影像对精度要求极高。嵌入式平台上做医疗影像处理，算法选型要格外谨慎。我个人习惯先用PC端验证算法效果，确认无误后再做嵌入式移植。

工业质检是我做的最多的领域。说白了，就是让机器代替人眼去检查产品有没有缺陷。

举个例子：手机屏幕的划痕检测。划痕在图像中就是一条细长的边缘。我们用边缘检测算法提取所有可能的划痕，然后根据长度、宽度、方向等特征做筛选。

我曾经踩过一个坑：某次做PCB板焊点检测，环境光照变化导致边缘检测结果忽好忽坏。后来我加了一个光照归一化步骤，问题才解决。嗯，做嵌入式视觉，环境适应性永远是第一位的。

应用场景	典型任务	常用算法	嵌入式难点
自动驾驶	车道线检测	Canny + Hough	实时性要求高（30fps以上）
医疗影像	病灶分割	Sobel + 形态学	精度要求高，内存受限
工业质检	缺陷检测	Laplacian + 自适应阈值	光照变化，环境干扰

这门课的目标很明确：让你能在嵌入式平台上跑通边缘检测算法，并且跑得又快又稳。

具体来说，学完这门课，你应该能做到：

避坑指南：我曾经见过不少同学，一上来就追求高大上的算法，结果在嵌入式平台上跑不动。我的建议是：先跑通最简单的Sobel算子，再逐步升级到Canny、Laplacian。循序渐进，才是正道。

我个人习惯把学习路径分成三个阶段：

第一阶段：基础夯实（第1-4章）
搞懂边缘检测的数学原理，手写实现Sobel、Prewitt、Canny等经典算法。这个阶段不要用OpenCV封装好的函数，自己写一遍，印象才深。

第二阶段：嵌入式移植（第5-8章）
把算法移植到具体的嵌入式平台上。我会以STM32和RK3588为例，手把手带你完成从PC到嵌入式的代码迁移。

第三阶段：优化与实战（第9-12章）
性能优化、多线程加速、定点化处理。最后做一个完整的工业质检项目，把学到的知识串起来。

你想想看，如果能把边缘检测算法在嵌入式平台上跑得又快又准，那其他视觉算法移植起来也会轻松很多。这门课就是帮你打好这个基础。

好了，概述部分就到这里。下一章我们开始讲Sobel算子，从最经典的边缘检测算法入手。到时候我会分享一些我在项目中踩过的坑，保证让你少走弯路。