滤波、梯度与边缘
概念解释
局部滤波用邻域信息更新像素，线性形式可写成 g(x,y)=ΣᵢΣⱼK(i,j)f(x−i,y−j)。均值和高斯滤波用于平滑，Sobel 等差分算子估计梯度，梯度幅值则反映局部灰度变化强度。
核心方法与条件
先根据噪声类型选滤波器，再选择核大小与边界策略。高斯平滑有助于降低梯度对噪声的敏感性；中值滤波可处理部分脉冲噪声。边缘检测应同时考虑平滑尺度、阈值和细化连接。
例题或应用
一个 3×3 邻域有八个值为 100、一个值为 190，均值滤波中心输出为 (8×100+190)/9=110，中值输出为 100。前者同时平滑信号和异常点，后者在这个局部样例中抑制了离群值。
常见易错点
核越大通常越容易抹掉细小目标。边缘是灰度变化的位置，阴影和纹理也会产生边缘，不能直接把所有边缘当成物体边界。
自检
请尝试不用原文解释“滤波、梯度与边缘”解决什么问题，再设计一个属于“传统视觉”的实例，并说明适用条件和判断依据。