这节课继续学习了图像预处理的方法，通过深入学习了卷积核进行卷积的操作以及滤波器，傅里叶变换等方法的使用，进一步增强了我对图像预处理的理解。
图像预处理的基本步骤首先为进行边缘提取，边缘提取常用算子为Roberts,Sobel,Prewitt,二阶算子为Laplacian,canny，这些算子通过模板作为核与图像的每个像素点做卷积和运算，然后选取合适的阈值来提取图像的边缘,在边缘部分,像素值出现”跳跃“或者较大的变化.如果在此边缘部分求取一阶导数,就会看到极值的出现.而在一阶导数为极值的地方,二阶导数为0,基于这个原理,就可以进行边缘检测.
上图是进行边缘检测后的图像，在边缘检测过程中进行到求取函数时,函数会出现许多‘毛刺’,这些'毛刺'并不一定都是图像边缘,有可能是图像噪声引起的.那么如何去除掉这些噪声带来的误识别呢？答案是进行去噪以及阈值化.
1.去噪,通过平滑和模糊的操作能把大部分的噪声去除,进而更好地显示出原像,从而更好地将边缘检测出来.噪声也可以认为是图像的高频分量,大多数滤波器的原理都是通过将噪声的这一特定分量去除来达到去噪的目的.傅里叶变换将时域信号分解为频域信号上的不同正余弦函数.将傅里叶变换比作一个玻璃棱镜,棱镜是可以将光分解为不同颜色的物理仪器,每个成分的颜色由波长（或频率）来决定.
在图像处理中,频域反应了图像在空域灰度变化剧烈程度,也就是图像灰度的变化速度,也就是图像的梯度大小.对图像而言,图像的边缘部分是突变部分,变化较快,因此反应在频域上是高频分量;图像的噪声大部分情况下是高频部分;图像平缓变化部分则为低频分量.也就是说,傅立叶变换提供另外一个角度来观察图像,可以将图像从灰度分布转化到频率分布上来观察图像的特征.在频域中,我们可以增强或减弱特定频率成分,以改进图像的质量.这在图像增强和复原中非常有用.
2.阈值化,通过规定一定的值,在提取目标图像的过程中将背景与噪声区别开来,这时划分出两个图像群,一个是大于阈值的像素群,另一个是小于阈值的像素群.
该图为进行高斯滤波后进行边缘提取的效果图，可以看到很明显的滤除效果.
