本文概述：
一、计算机视觉（以下简称CV）概述
二、图像预处理
o 图像显示与存储原理（略）
o 图像增强的目标
o 图像处理方法
o 点运算：基于直方图的对比度增强
o 形态学处理（略）
o 空间域处理：卷积
o 卷积的应用（平滑、边缘检测、锐化等）
o 频率域处理：傅里叶变换、小波变换（略）
o 应用案例：
平滑、边缘检测、CLAHE等
一、CV研究内容概述：
二、图像预处理
o 图像增强的目标
o 图像处理方法
因为在CNN或者其他深度学习网络中，都需要对图片数据进行特征提取，才能进行学习。因此提取图片的特征非常重要，下面对特征提取进行简单介绍：
o 点运算：基于直方图的对比度增强
解释：
对图片数据/特征分布的一种统计，个人理解有点聚类的思想，就好比一件只有红色和蓝色的T恤，通过直方图的统计，最终可以得到T恤（这里只用颜色举例）的颜色分布的直方图。这就是提取其特征的一种方式。
这里的“灰度”：黑白图像中点的颜色深度，0~255，黑色是0，白色是255。灰度数字图像是每个像素只有一个采样颜色的图像。
每一个像素：有256个灰度等级（像素值在0~255之间），每个等级代表不同的亮度。
解释：
bin取的越大（最大255），则提前的特征分布越分散，每个像素统计出来，只对应一个区间（假设取255），
bin取的越小，比如取10，则这10个区间里可能包含多个不同数值的像素点。
为什么要进行直方图均衡化：
这是为了对图片进行调整，所拍的图，往往因为太亮或者太暗等因素造成了，局部的灰度集中化，因此需要一种手段，进行（非线性的）重新分配各个灰度单位中的像素点数量（具体方法，一般是最终使得一定灰度范围内像素点数量的值大致相同）
AHE的问题是：经过均衡化的图像往往不连续
o 空间域处理：卷积
o 卷积的应用（平滑、边缘检测、锐化等）
因为均值滤波有很大的缺陷，因此用的很少，下面介绍几种常见的滤波器
中值滤波：有效去除椒盐噪声
高斯滤波（重点）：高斯滤波名字的由来，我的理解是，它的滤波器（卷积核）数值分布是高斯分布，它的应用必须结合后面要讲的高斯金字塔（捕捉不同尺寸的物体，尺寸缩小 + 高斯模糊）一起讲。
这里简单说明，高斯滤波其实是高斯模糊（blur），对于设定不同的标准差，高斯滤波将图片变换成不同清晰度。
标准差越大，大部分数值与均值差异较大，数据分布越离散，所用的高斯滤波器（卷积核）分布越尖锐（想象高斯分布尖尖的突出的曲线），所得的图片就会越模糊（但是所得的图像依旧是平缓的，是大致可以看出是什么物体的）。标准差越小则相反，高斯滤波器分布越平缓，所得图片不会那么模糊。
还有一些做边缘检测，团块检测，Laplacian 滤波锐化等滤波器，这里不做一一介绍，详情参考PPT
直接进入重点：高斯金字塔
高斯金字塔：通过高斯平缓(模糊) + 降采样(尺寸缩小)， 达到捕捉不同尺寸物体的目的。但是如果还想回复原图像怎么办，这就需要拉普拉斯金字塔啦。
拉普拉斯金字塔：将小尺寸的图像数据，进行上采样，得到大尺寸的图像。具体看下图中的说明：
