5.8

在学习初期，我对 Python 图像处理的认知极其片面，觉得无非就是调用 OpenCV、Pillow 这些库的 API，实现 “读取图片→加滤镜→保存” 的流程，和我之前学的 Web 开发、数据库操作没什么本质区别，都是 “调库实现功能”。但随着课程深入，我才意识到自己的认知偏差有多大 —— 图像处理的核心从来不是 “调库”，而是理解 “图像是什么”“算法为什么能改变视觉效果”。课程开篇从图像的基本概念讲起：图像本质上是一个多维矩阵，每个像素对应矩阵中的一个数值，RGB 色彩空间是三个通道的矩阵叠加，灰度图是单通道矩阵…… 这些内容瞬间把我拉回了线性代数的课堂，原来 “矩阵运算” 不只是课本上的公式，更是能直接改变图片亮度、对比度的工具。当我第一次用 NumPy 手动计算图像的灰度化（取 RGB 三通道的加权平均），而不是直接调用库函数时，我才真正明白 “图像处理是数学与编程的结合” 这句话的含义。
理论学习是这门课程的根基，也是我花费最多精力的部分。课程从图像的基础表示（像素、色彩空间、直方图）讲起，逐步深入到图像预处理（灰度化、二值化、几何变换、滤波去噪）、特征提取（边缘检测、轮廓检测、角点检测），再到简单的图像识别基础（模板匹配、Haar 级联分类器），构成了一套完整的知识体系。其中，图像滤波和边缘检测是我学习的第一个难点。起初，我只会死记硬背 “高斯滤波用于去高斯噪声，中值滤波用于去椒盐噪声”，却不理解背后的原理 —— 直到老师用矩阵演示了卷积核的计算过程：高斯滤波是用卷积核内的加权平均值替代中心像素，中值滤波是取卷积核内的中位数，我才明白 “卷积” 这个在深度学习里常听到的概念，原来在基础图像处理中就已经是核心工具。后续学习 Canny 边缘检测时，我更是体会到算法设计的严谨性：从高斯滤波去噪，到计算梯度幅值与方向，再到非极大值抑制、双阈值检测，每一步都有明确的目的，共同实现了 “精准提取图像边缘” 的目标。这种 “知其然，更知其所以然” 的学习过程，让我不再把算法当作 “黑盒”，而是学会用逻辑拆解每一步的作用。