图像边缘检测本质是识别像素强度突变位置，通过二维数组存储图像并用卷积核（如Sobel）滑动计算水平与垂直梯度，再合成梯度幅值和方向以定位边缘。
图像边缘检测本质上是识别像素强度突变的位置，而数组正是承载这些像素值的底层结构。用数组实现边缘检测，核心就是对二维像素阵列做卷积运算——也就是用小矩阵（卷积核）在图像数组上滑动，逐点计算局部梯度。
用数组手动计算像素梯度
图像在内存中通常以二维数组（如 img[y][x]）或 NumPy 的 ndarray 形式存储。要检测边缘，需估算每个像素在水平（x）和垂直（y）方向的变化率，即偏导数近似：
- 水平梯度 $ G_x $ ≈ 当前像素右侧值 − 左侧值
- 垂直梯度 $ G_y $ ≈ 当前像素下侧值 − 上侧值
更稳健的做法是使用加权差分模板（如 Sobel 核），它对邻域像素赋不同权重，兼顾噪声抑制与方向响应：
- 水平 Sobel 核（Gx）：
[-1 0 1] [-2 0 2] [-1 0 1]
- 垂直 Sobel 核（Gy）：
[-1 -2 -1] [ 0 0 0] [ 1 2 1]
对图像数组中每个非边界像素 (i, j)，执行：
gx = sum( img[i-1:i+2, j-1:j+2] * kernel_gx )gy = sum( img[i-1:i+2, j-1:j+2] * kernel_gy )- 梯度幅值
g = sqrt(gx² + gy²) - 梯度方向
θ = arctan2(gy, gx)
这样就从原始像素数组中提取出了每个位置的梯度变量。
实战中处理数组的关键细节
- 图像需先转为单通道灰度数组（如
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)），避免多通道干扰 - 卷积时注意数组越界：对边缘像素可补零（zero-padding）、镜像延拓或直接忽略（结果图像略小）
- 梯度值可能为负（如从亮到暗的下降沿），建议用
cv2.CV_64F类型保存中间结果，再用cv2.convertScaleAbs()转为显示友好的 0–255 范围 - 若用纯 Python 循环实现（非 OpenCV），速度会明显下降；推荐用 NumPy 向量化操作，例如
scipy.signal.convolve2d或手动np.lib.stride_tricks.sliding_window_view
识别梯度变量的实际用途
- 高幅值
g区域 → 初步边缘候选点 - 梯度方向
θ→ 可用于非极大值抑制（NMS）：只保留沿θ方向梯度最大的像素，使边缘变细 -
gx和gy符号组合 → 可判断边缘极性（例如gx > 0表示左侧暗、右侧亮） - 多尺度梯度（如高斯金字塔各层）→ 支持检测不同粗细的边缘结构
数组不是工具，而是你和像素对话的语言。把图像看作数值网格，把边缘看作局部导数峰值，整个过程就自然清晰了。
