一、滤波算法
1.均值滤波
卷积核内，给中心像素点取平均值。
2.方框滤波
有两种情况，一种是与均值滤波效果完全一样，一种则是把卷积核的值直接相加，超出255就只取255，这会导致图像仅有一些明显的边缘以及暗处可以显示。
3.高斯滤波
卷积核内，离中心像素点越近，设置权重越高；归一化操作：让卷积核（高斯模板）中所有权重系数的和等于1，例子 ：
4.中值滤波
卷积核内，给中心像素点取中位数。
二、canny边缘检测
1.高斯滤波（归一化）
2.sobel算子计算梯度的大小和方向
3.NMS非极大值抑制（线性插值法、8方向分类法）
非极大值抑制简单来说就是保留max值，抑制除了max值以外的其他值；举个例子，假设识别人脸，有多个边界框检测到人脸，置信度有99%，89%，96%，那么只保留最大的99%，这就是非极大值抑制。
3.1 线性插值法
在常规的 NMS 中，我们只比较像素点与其相邻的 8 个像素。但梯度的方向是连续的，不是正好在相邻的像素中心。为了判断当前的像素点是不是为局部最大值，需要取它梯度方向上（梯度可以理解成与边缘的切线）两个参考点g1,g2，但由于由于g1和g2往往落在两个像素点之间，我们无法直接读值，线性插值法就是利用g1两侧真实的像素值，根据距离比例，计算出一个“虚拟”的幅值。
假设当前像素梯度方向在0-45°之间：
- 它会落在右侧相邻像素E和右上角像素NE之间。
- 设梯度方向与水平线的夹角为x
- g1的幅值计算公式通常为：
,w通常是
，代表靠近NE的权重
- 计算出g1和g2的插值结果后对比，中心点和g1，g2的值，若中心点最大保留该点为边缘点，否则抑制
3.2 8 方向分类法
8 方向分类法（也叫离散化方向法）是线性插值法的"简化版",它的核心逻辑是将连续的梯度角度（0° 到 360°）近似简化为 4 个主要的轴线方向（对应 8 连通域中的 8 个相邻像素）。
- 取整/分类：算出每个像素的梯度角后，看它落在哪个区间。
- 直接对比：不需要计算插值，直接把当前像素的幅值与其对应方向上的两个邻居比大小。
- 判定：如果当前像素比这两个邻居都大，保留；否则，剔除（置 0）
3.3 区别
- 8 方向法：像“四舍五入”，速度快，实现简单，但在边缘弯曲处可能会有轻微的阶梯感（锯齿）。
- 线性插值法：像“平滑过渡”，精度高，定位更准，但计算量大（每个点都要做乘加法）。
4.双阈值检测
设置双阈值，minval和maxval，梯度超过maxval视为边界，梯度小于minval则舍弃；当处于min和max中间，如果连有边界保留，没有连有边界就舍弃。在图像中minval越小，保留的边界越多，描绘的越细节。
