第1章 · 课程导论
边缘提取与轮廓分析在计算机视觉中的核心地位
1.1 为什么边缘与轮廓如此重要？
在计算机视觉系统中，边缘是图像亮度发生剧烈变化的位置，它浓缩了场景的结构信息；轮廓则是边缘的闭合或语义化组织，直接对应物体的形状。从一张普通照片到可理解的几何描述，边缘提取与轮廓分析是承上启下的关键环节。
💡 核心洞察： 人类视觉对边缘极其敏感，机器视觉同样依赖边缘来“理解”世界。超过 80% 的视觉任务在底层都涉及边缘或轮廓特征。
1.2 应用场景全景
| 领域 | 典型应用 | 边缘/轮廓的作用 |
|---|---|---|
| 🚗 自动驾驶 | 车道线检测、行人/车辆识别 | 提取道路边缘、障碍物轮廓 |
| 🏭 工业检测 | PCB缺陷检测、零件尺寸测量 | 精确轮廓定位、瑕疵边缘分析 |
| 🏥 医学影像 | CT/MRI器官分割、血管提取 | 组织边缘勾画、病变区域轮廓 |
| 📄 文档分析 | 扫描件矫正、表格识别 | 纸张边缘、单元格轮廓 |
| 🔬 遥感图像 | 建筑物提取、道路网生成 | 地物边缘与轮廓聚合 |
1.3 课程目标
- 掌握核心原理 — 从图像梯度到Canny、Sobel、Laplacian等经典算子，理解边缘响应的数学本质。
- 实时流水线构建 — 基于OpenCV设计高帧率边缘提取与轮廓分析流程，适配视频流与相机输入。
- 轮廓分析与特征工程 — 面积、周长、Hu矩、多边形近似、层次结构，让轮廓“开口说话”。
- 工业级实战 — 文档矫正、车牌定位、缺陷检测、形状识别等完整项目。
- 性能优化 — 多线程、SIMD、模型轻量化，在嵌入式平台同样高效运行。
1.4 前置知识
本课程面向具备以下基础的读者：
🐍 Python 基础语法
📷 了解图像基本概念（像素、通道）
🧮 简单线性代数 / 卷积直觉
⚙️ OpenCV 基本操作（imread, imshow）
如果你对上述内容尚不熟悉，建议先快速回顾第2章“图像基础回顾”作为热身。