基于QT与C++的Canny边缘检测算法实现与GUI开发实战-开发者社区

1. 项目概述：为什么用QT和C++手搓Canny？

如果你正在学习数字图像处理，或者想用C++和QT做一个带界面的图像处理工具，那么“Canny边缘检测”绝对是一个绕不开的经典项目。网上OpenCV的cv::Canny()函数调用起来就一行代码，但直接调用API和亲手实现一遍，对原理的理解深度是天壤之别。这个项目的目的，就是抛开现成的轮子，从最底层的像素操作开始，在QT框架下用C++完整地走一遍Canny算法的每一步，并最终通过一个直观的GUI界面展示出来。

我选择QT（C++）这个组合，原因很实在。C++的执行效率高，适合处理图像这种数据量密集的计算。而QT则提供了强大的跨平台GUI能力，让我们能把每一步的中间结果——比如高斯模糊后的图像、X/Y方向的梯度图、非极大值抑制后的细线——都实时地显示在窗口上。这种“所见即所得”的调试和教学方式，比单纯看控制台输出或者论文里的公式要直观一百倍。你会发现，很多图像处理教材里晦涩难懂的步骤，当你能亲眼看到每一步对图片产生了什么改变时，瞬间就豁然开朗了。

这个项目适合有一定C++基础，并希望深入计算机视觉底层原理的开发者。它不仅能巩固你对Canny算法本身的理解，更能让你掌握在QT中高效操作图像数据、设计响应式界面以及进行性能优化的实战技巧。接下来，我会带你从零开始，拆解每一个技术环节，并分享我在实现过程中踩过的坑和总结的经验。

2. 环境搭建与项目框架设计

2.1 开发环境选型与配置要点

工欲善其事，必先利其器。一个稳定、高效的开发环境是项目成功的第一步。根据我的经验，有以下几种主流搭配：

方案一：QT Creator + CMake（推荐）这是目前最清爽、跨平台兼容性最好的组合。QT Creator作为IDE，对QT项目支持得天独厚，智能提示、UI设计器、调试器一应俱全。CMake则负责管理项目构建，让你摆脱了QT自家qmake的某些局限性，依赖管理更灵活。你只需要在CMakeLists.txt中通过find_package命令引入OpenCV和QT6的库即可。这种方式生成的构建目录（如build/）与源代码分离，非常干净。

方案二：Visual Studio + QT VS Tools如果你更熟悉Windows环境和VS的强大调试功能，这个组合是不二之选。你需要先安装Visual Studio（建议2019或2022社区版），然后通过QT官方安装器安装QT，最后再安装VS的“QT VS Tools”扩展插件。配置稍显繁琐，需要正确设置VS中的QT版本和项目属性里的附加包含目录、库目录，但一旦配好，开发体验非常流畅。

注意：无论哪种方案，请务必确保QT的编译器套件（Kit）与你安装的OpenCV库的编译器版本一致。例如，如果你用QT的MinGW 64-bit套件，那么OpenCV也必须是用MinGW编译的版本。混用VS的MSVC编译器编译的OpenCV库，会导致链接错误。这是新手最容易踩的坑。

OpenCV的安装与配置：我们使用OpenCV并非为了调用它的Canny函数，而是利用其强大的图像读写（imread,imwrite）、显示（imshow，但我们将用QT替代）以及最关键的cv::Mat矩阵类。cv::Mat封装了图像数据，内存管理自动化，比直接操作二维数组方便安全得多。从OpenCV官网下载预编译库，或者从源码用CMake编译安装均可。关键是在你的项目配置中正确包含头文件路径和链接库文件。

2.2 QT项目框架与类设计

一个结构清晰的代码框架能让开发事半功倍。我建议采用经典的Model-View模式，但我们的项目相对简单，可以简化为以下核心类：

MainWindow类：主窗口，负责界面布局。我们会放置菜单栏（打开/保存图片）、工具栏（执行各步骤的按钮）、状态栏，以及最重要的——一系列QLabel控件，用于显示原图、灰度图、每一步的处理结果图。
ImageProcessor类（核心）：这是我们算法的“发动机”。它应该是一个独立的类，不依赖于QT的GUI代码。其职责是接收一个cv::Mat，然后按顺序执行：灰度化、高斯滤波、计算梯度、非极大值抑制、双阈值连接，最后返回边缘检测结果cv::Mat。这样的设计保证了算法逻辑的纯粹性和可复用性，未来可以轻松移植到其他非QT项目中使用。
辅助工具类：例如一个ImageUtils类，封装一些通用操作，如将cv::Mat转换为QT的QImage用于显示（注意颜色通道顺序BGR转RGB），或者进行图像缩放以适应QLabel。

界面布局设计：在QT Designer中，我们可以使用QGridLayout来整齐地排列多个QLabel。例如，第一行显示原图和灰度图，第二行显示X方向和Y方向的梯度图，第三行显示梯度幅值图和非极大值抑制后的图，最后一行显示高低阈值结果和最终Canny结果。每个QLabel上方可以用QLabel加粗字体写一个标题，这样整个处理流水线一目了然。

信号与槽的连接：这是QT的精髓。我们将为“打开图片”、“执行Canny”等按钮的clicked()信号连接到对应的槽函数。在槽函数中，调用ImageProcessor的相应方法，获取结果cv::Mat，再调用工具函数转换为QImage，最后更新到对应的QLabel上。记住，耗时的计算操作（尤其是处理大图时）最好放在单独的线程中，避免阻塞GUI主线程导致界面卡死，但作为第一个版本，我们可以先实现基础功能，后续再优化。

3. Canny算法核心原理与手撕实现

网上很多教程只讲步骤，不讲“为什么”，导致实现时知其然不知其所以然。这里我们深入每一步的背后逻辑。

3.1 第一步：灰度化与高斯滤波——为边缘检测铺平道路

灰度化：彩色图像（RGB）有三个通道，边缘检测通常只关心亮度变化。灰度化是将三维信息压缩到一维。最常用的公式是加权平均：Gray = 0.299*R + 0.587*G + 0.114*B。这个权重基于人眼对不同颜色的敏感度。在实现时，我们遍历每个像素，用这个公式计算灰度值，并赋值给新的单通道cv::Mat。当然，OpenCV提供了cvtColor(image, grayImage, cv::COLOR_BGR2GRAY)函数，但我们为了学习，可以自己实现一遍。

高斯滤波（平滑）：边缘检测对噪声极其敏感，一个噪点可能被误认为是边缘。高斯滤波的目的就是“磨皮”，平滑掉这些噪声。它的原理是用一个高斯函数生成一个卷积核（比如5x5的矩阵），这个核中心的权重最大，四周逐渐减小。然后用这个核在图像上滑动，每个像素的新值是其邻域像素的加权平均。

为什么是高斯函数？因为高斯函数是唯一的圆对称（各向同性）的平滑核，这意味着它不会在平滑时引入方向性偏差，对各个方向的边缘是公平的。自己实现时，我们可以利用高斯核的“可分离性”来优化性能：一个二维高斯卷积可以拆分成先进行水平方向的一维高斯卷积，再进行垂直方向的一维卷积。这样，对于一个n x n的核，计算复杂度从O(n²)降到了O(2n)。

// 伪代码示例：可分离高斯滤波思路 cv::Mat separableGaussianBlur(const cv::Mat& src, int ksize, double sigma) { cv::Mat temp, dst; // 1. 生成一维高斯核 std::vector<double> kernel = generate1DGaussianKernel(ksize, sigma); // 2. 水平方向卷积 cv::filter2D(src, temp, CV_64F, kernel); // 注意边界处理 // 3. 垂直方向卷积（需要对kernel转置？不，filter2D默认是相关，我们需要卷积。更准确的做法是分别用行和列向量） // 更严谨的实现是创建行向量和列向量核 cv::Mat rowKernel = cv::Mat::ones(1, ksize, CV_64F); cv::Mat colKernel = cv::Mat::ones(ksize, 1, CV_64F); // ... 计算并赋值高斯权重 cv::filter2D(src, temp, -1, rowKernel, cv::Point(-1,-1), 0, cv::BORDER_DEFAULT); cv::filter2D(temp, dst, -1, colKernel, cv::Point(-1,-1), 0, cv::BORDER_DEFAULT); return dst; }

实操心得：边界处理（Border）很重要！卷积时，图像边缘的像素没有完整的邻域。OpenCV的filter2D提供了几种方式，如BORDER_REPLICATE（复制边缘像素）、BORDER_REFLECT（镜像反射）。在Canny中，通常使用BORDER_REPLICATE或BORDER_DEFAULT（通常是BORDER_REFLECT_101，一种对称反射）。自己实现时如果忽略这点，边缘会出现黑边或结果不正确。

3.2 第二步：计算梯度幅值与方向——找到边缘的“陡坡”

平滑后的图像，边缘处灰度变化最剧烈。数学上，变化率用梯度表示。我们通过计算每个像素点在X（水平）和Y（垂直）方向上的偏导数来近似梯度。

常用算子：Sobel算子。Sobel算子是两个3x3的卷积核，分别用于计算X和Y方向的梯度近似值。

Gx = | -1 0 +1 | Gy = | -1 -2 -1 | | -2 0 +2 | | 0 0 0 | | -1 0 +1 | | +1 +2 +1 |

用Gx核与原图卷积得到水平梯度图Ix，用Gy核得到垂直梯度图Iy。对于图像中的每个像素(i, j)：

梯度幅值（强度）：G = sqrt(Ix(i,j)² + Iy(i,j)²)。这代表了该点边缘的“强弱”。
梯度方向（角度）：θ = arctan2(Iy(i,j), Ix(i,j))。这个角度垂直于边缘方向，告诉我们边缘是朝哪个方向延伸的。arctan2函数返回的角度范围是(-π, π]。

实现细节：

计算Ix和Iy时，像素值可能是负数（梯度有正负），所以存储结果的矩阵类型应该是CV_16S（短整型）或CV_32F（浮点型），不能是CV_8U（无符号字符型），否则负值会被截断。
计算幅值G时，直接使用sqrt函数计算量较大。在实际应用中，为了加速，常用绝对值之和来近似：G ≈ |Ix| + |Iy|。或者使用更快的整数运算近似。但在我们学习实现的版本中，为了精度，可以先使用浮点数计算。
方向θ需要被量化到几个固定的方向，以便后续的非极大值抑制。通常量化为4个方向：0°（水平）、45°、90°（垂直）、135°，分别对应角度区间。例如，将(-22.5°, 22.5°]和(157.5°, -157.5°]归为0°方向。

3.3 第三步：非极大值抑制——让边缘“瘦身”

经过梯度计算后，边缘区域会呈现一条“亮带”，我们得到的边缘很粗。非极大值抑制（NMS）的目的就是“细化”边缘，只保留梯度幅值最大的那条线，抑制其他非极大值点。

原理：沿着梯度方向（即边缘的法线方向），比较当前像素点的梯度幅值与其前后两个像素点的梯度幅值。如果当前点的幅值不是最大的，则将其幅值置为0。

具体操作：

根据上一步量化后的梯度方向θ，确定要比较的邻域像素位置。例如：
- 如果θ属于0°方向（水平边缘），则比较左右两个像素(i, j-1)和(i, j+1)。
- 如果θ属于90°方向（垂直边缘），则比较上下两个像素(i-1, j)和(i+1, j)。
- 45°和135°方向则比较对角线上的两个像素。
使用线性插值。因为梯度方向不一定正好指向某个像素的中心，更多是指向两个像素之间。因此，需要根据梯度方向，在前后两个亚像素位置进行幅值插值，然后用当前点幅值与这两个插值进行比较。这是实现中的难点和关键点。
如果当前像素的梯度幅值G(i, j)大于等于插值得到的两个幅值，则保留该点；否则，将其幅值设为0。

// 伪代码示例：非极大值抑制核心判断 float angle = gradientDirection.at<float>(i, j); float mag = gradientMagnitude.at<float>(i, j); float mag1, mag2; if (/* 角度属于水平方向 */) { // 线性插值得到左右两个位置的幅值 magLeft, magRight mag1 = interpolate(magnitude, i, j, dx1, dy1); // 左侧位置 mag2 = interpolate(magnitude, i, j, dx2, dy2); // 右侧位置 } else if (/* 角度属于45度方向 */) { // 插值得到两个对角线位置的幅值 // ... } // ... 其他方向 if (mag >= mag1 && mag >= mag2) { suppressedMag.at<float>(i, j) = mag; } else { suppressedMag.at<float>(i, j) = 0.0f; }

踩坑记录：边界处理又来了！在图像边缘的像素，其梯度方向指向的“前后”像素可能不存在。处理办法有两种：一是只对图像内部(1, height-1)的区域进行NMS，边缘一圈直接置0；二是在计算梯度之前就对原图进行适当的填充（Padding），这样所有像素都有完整的邻域。我推荐第一种，简单且对结果影响不大。

3.4 第四步：双阈值检测与边缘连接——去伪存真，连点成线

经过NMS，我们得到了细化的、但可能仍有断裂和噪声的边缘图。双阈值法用来最终确定真正的边缘。

原理：设定两个阈值，高阈值T_high和低阈值T_low（T_high > T_low）。

强边缘像素：梯度幅值 >=T_high。这些点我们高度确信是真实边缘。
弱边缘像素：T_low<= 梯度幅值 <T_high。这些点可能是边缘，也可能是噪声。
非边缘像素：梯度幅值 <T_low。直接丢弃。

连接过程（滞后阈值）：

首先，将所有强边缘像素标记为最终边缘。
然后，遍历所有弱边缘像素。如果一个弱边缘像素的8邻域内存在至少一个强边缘像素，则认为这个弱边缘像素是真实边缘的一部分，将其标记为最终边缘并“提升”为强边缘（有时需要递归或迭代搜索，确保连接连续性）。
所有未被连接的弱边缘像素被视为噪声，丢弃。

阈值选择技巧：这是Canny算法中为数不多的需要手动调节的参数，直接影响结果。

经验法则：T_high通常取梯度幅值图像中所有像素值的前20%~30%分位数，T_low取T_high的0.4~0.5倍（即T_low ≈ 0.5 * T_high）。
自适应方法：可以计算整幅梯度图像的均值mean和标准差std，然后设定T_high = mean + k * std，T_low = mean或0.5 * T_high。k是一个经验系数，比如1.5到2.0。
在QT界面中实现滑动条：最好的方式是在GUI里添加两个QSlider控件，分别对应高、低阈值，并实时连接到一个更新结果的槽函数。这样你可以动态观察阈值变化对最终边缘提取效果的影响，直观理解阈值的作用。

边缘连接实现：这是一个经典的图遍历问题。我们可以使用深度优先搜索（DFS）或广度优先搜索（BFS）。以BFS为例：

初始化一个和图像一样大的bool矩阵edgeMap，全部为false。
将所有强边缘像素位置加入队列（Queue），并在edgeMap中标记为true。
当队列不为空时，取出一个像素p。
检查p的8邻域内的每个像素q。如果q是弱边缘像素（且未被标记过），则将其加入队列，并在edgeMap中标记为true。
重复步骤3-4，直到队列为空。
edgeMap中标记为true的位置就是最终的边缘。

4. QT GUI实现与性能优化实战

4.1 图像显示与交互功能实现

算法核心完成后，我们需要一个友好的界面来展示和交互。

关键一：cv::Mat转QImage这是连接OpenCV和QT界面的桥梁。转换时务必注意颜色通道和位深的匹配。

灰度图（单通道，8位）：QImage img(mat.data, mat.cols, mat.rows, mat.step, QImage::Format_Grayscale8)。
BGR彩色图（三通道，8位）：OpenCV默认是BGR顺序，而QImage是RGB。需要转换：cv::cvtColor(mat, rgbMat, cv::COLOR_BGR2RGB)，然后用QImage::Format_RGB888。
浮点型矩阵：显示前需要将值归一化到0-255范围并转换为8位。mat.convertTo(displayMat, CV_8UC1, 255.0);

关键二：多图对比显示在QGridLayout中放置多个QLabel。每次处理完一个步骤，就生成对应的QImage，然后调用QLabel::setPixmap(QPixmap::fromImage(img.scaled(...)))。使用scaled可以控制显示大小，保持界面整洁。

关键三：异步处理与进度反馈图像处理，尤其是大图，可能耗时数百毫秒甚至更长。如果直接在按钮点击的槽函数中执行，GUI会卡住直到计算完成。用户体验极差。

解决方案：使用QThread或QtConcurrent::run。将耗时的ImageProcessor::cannyDetect函数放在一个工作线程中执行。
步骤：
1. 创建一个继承自QObject的工作类Worker，将处理函数放在一个公有槽中。
2. 在主线程中创建QThread和Worker对象，将Worker移动到新线程worker->moveToThread(thread)。
3. 连接信号与槽：主线程发出startProcessing信号触发Worker的槽函数；Worker处理完成后发出resultReady信号，并传递结果cv::Mat；主线程的槽函数接收结果并更新UI。
4. 别忘了在线程结束时正确管理对象生命周期，避免内存泄漏。
进度条：可以在Worker中计算不同步骤时，发射progressUpdated(int)信号，在主线程中用QProgressBar接收并更新。

4.2 算法性能优化技巧

自己实现的算法，在速度上肯定无法和高度优化的OpenCV库相比，但我们可以通过一些技巧显著提升性能。

避免重复计算与内存分配：在循环中，将固定不变的计算（如高斯核权重）提到循环外部。预分配好所有中间结果矩阵（cv::Mat）的内存，避免在循环内部频繁创建和销毁。

使用指针直接访问像素：这是C++图像处理中最关键的优化手段。OpenCV的cv::Mat::at<T>()函数方便但慢。在嵌套循环中，应该使用行指针。

for (int i = 0; i < rows; ++i) { const uchar* ptr_src = src.ptr<uchar>(i); // 获取第i行行首指针 uchar* ptr_dst = dst.ptr<uchar>(i); for (int j = 0; j < cols; ++j) { // 通过指针偏移访问像素 ptr_src[j] ptr_dst[j] = someOperation(ptr_src[j]); } }

利用多线程：图像处理是高度并行的。可以将图像分成若干行块，用std::thread或QtConcurrent并行处理每个块。注意线程间数据写入的冲突，每个线程应处理独立的图像区域。
SIMD指令集优化（进阶）：对于X86/64平台，可以使用SSE、AVX等SIMD指令，一条指令处理多个数据。例如，在计算梯度幅值sqrt(dx*dx + dy*dy)时，可以使用SIMD同时计算多个像素。这需要一定的汇编或 intrinsics 知识。
查表法：对于复杂的非线性函数，如arctan或sqrt，可以预先计算一个查找表（LUT）。例如，梯度方向量化时，arctan2的结果范围是固定的，可以预先计算好每个(dx, dy)组合对应的角度分类索引。

4.3 与OpenCV结果对比分析

实现完成后，一定要和OpenCV的cv::Canny()结果进行对比。这是验证我们算法正确性的黄金标准。

如何对比？

视觉对比：将我们的结果和OpenCV的结果并排显示在QT界面上。仔细观察边缘的连续性、粗细、噪声点。
像素级差异：计算两个结果图像的绝对差cv::absdiff(ourResult, cvResult, diff)，然后统计非零像素的数量。理想情况下应该为0，但由于浮点数计算精度、边界处理、插值方法等细微差别，可能会有少量像素不同。如果差异像素数占总像素比例很小（如<0.1%），通常可以接受。
分析差异来源：
- 高斯滤波：OpenCV可能使用了不同的sigma或边界处理模式。
- 梯度算子：我们用了Sobel，OpenCV的Canny内部可能用了更优化的滤波器。
- 非极大值抑制的插值：我们的插值实现可能与OpenCV有细微差别。
- 双阈值连接算法：OpenCV的实现可能更复杂，连接策略更鲁棒。

常见差异及原因：

我们的边缘更粗或更细：非极大值抑制可能不够彻底，或者梯度计算时核不同。
我们的边缘有断裂而OpenCV的连贯：双阈值连接算法，特别是弱边缘的连接策略，可能不如OpenCV的完善。检查你的BFS/DFS连接逻辑是否覆盖了所有8邻域情况。
角落处差异大：边界处理方式不同导致。

5. 常见问题排查与调试心得

在实现这个项目的过程中，你几乎一定会遇到下面这些问题。我把我的排查经验分享给你，能帮你节省大量时间。

5.1 编译与链接问题

问题1：undefined reference tocv::imread(...)` 等OpenCV函数。

原因：链接器找不到OpenCV的库文件。
解决：确保CMakeLists.txt或.pro文件正确链接了所有必需的OpenCV库。通常需要opencv_core,opencv_imgproc,opencv_highgui。在CMake中：target_link_libraries(your_target PRIVATE opencv_core opencv_imgproc opencv_highgui)。

问题2：QT程序运行时崩溃，提示“No Qt platform plugin could be initialized”。

原因（Windows下常见）：可执行文件找不到QT的平台插件（如qwindows.dll）。
解决：将QT安装目录下plugins/platforms文件夹整个复制到你的exe文件同级目录。或者设置环境变量QT_QPA_PLATFORM_PLUGIN_PATH指向该目录。

问题3：中文路径或文件名导致图片无法打开。

原因：OpenCV的imread在某些版本对中文路径支持不好。
解决：使用QT的QFile和QTextCodec先将路径转换为本地编码，或者使用cv::imdecode函数。更简单的方法是，在代码中暂时避免使用中文路径进行测试。

5.2 算法实现中的典型Bug

问题1：处理后的图像全黑或全白。

排查步骤：
1. 检查数据范围：在每一步处理后，用cv::minMaxLoc函数打印矩阵的最小值和最大值。例如，梯度计算后，幅值矩阵应该是浮点数，范围可能从0到几千。如果你用8位显示（0-255），需要先归一化。
2. 检查类型转换：确保在显示前，浮点型矩阵已经正确转换为CV_8UC1或CV_8UC3。convertTo函数的缩放参数是否正确？例如，浮点数范围[0,1]应乘以255，范围[0,1000]则需先除以1000再乘以255。
3. 检查指针操作：如果使用了指针遍历，仔细检查指针偏移计算是否正确，是否越界。一个错误的指针操作可能污染整个内存。

问题2：边缘检测结果噪声非常多，像雪花点。

原因：低阈值T_low设置得太低，或者高斯滤波的sigma太小，平滑不足。
解决：增大高斯核的sigma值（如从1.4增加到2.0），或者提高低阈值。在QT界面上添加滑动条，动态调整这两个参数，观察效果。

问题3：边缘断裂严重，不连贯。

原因：高阈值T_high设置得太高，导致很多真正的弱边缘被丢弃；或者非极大值抑制过于激进；也可能是梯度计算本身就不连续。
解决：
1. 适当降低高阈值。
2. 检查非极大值抑制中的插值计算是否正确。错误的插值会导致本应保留的极大值被抑制。
3. 检查双阈值连接算法。确保你的BFS/DFS能够从强边缘出发，找到所有8邻域内的弱边缘。一个常见的bug是只检查了4邻域（上、下、左、右），漏掉了对角线的4个邻居。

问题4：处理速度非常慢。

原因：未优化的嵌套循环、在循环内进行大量浮点计算或内存分配。
解决：
1. 使用Release模式编译，而不是Debug模式。Release模式的优化级别高得多。
2. 应用前面“性能优化技巧”中提到的办法，特别是使用行指针访问像素。
3. 使用性能分析工具（如VS的性能探测器、Valgrind的Callgrind）找到代码中的“热点”（最耗时的函数），针对性优化。

5.3 QT界面与交互调试

问题：界面更新卡顿，尤其是滑动条调整参数时。

原因：每次滑动条值改变都触发一次完整的Canny计算并更新所有图片，计算负担重。
优化：
1. 防抖（Debouncing）：使用QTimer。在滑动条值改变时，不立即计算，而是启动一个单次触发、延迟100-200毫秒的定时器。如果在延迟期内值再次改变，则重置定时器。只有当用户停止滑动一段时间后，才触发实际计算。
2. 降低预览分辨率：对于实时预览，可以先将图片缩放到一个较小的尺寸（如最长边400像素）进行处理和显示，用户确认参数后，再对原图进行全分辨率处理。
3. 线程化：确保计算在后台线程进行，如第4.1节所述。

内存泄漏检查：在QT中，如果动态创建了QWidget（如对话框）而没有指定父对象，或者没有正确管理线程，可能会导致内存泄漏。使用valgrind（Linux）或Visual Studio的诊断工具（Windows）进行检测。确保所有new出来的对象都有对应的delete，或者使用QT的父子对象内存管理机制。

实现一个完整的Canny边缘检测器，就像亲手搭建一台精密的仪器。从最初的模糊轮廓，到一步步调试让每个齿轮严丝合缝，最终看到清晰的边缘从图片中浮现出来，这种成就感是直接调用API无法比拟的。这个项目带给你的，远不止于边缘检测算法本身，更是对图像处理底层逻辑、C++高效编程以及QT GUI设计的一次深度历练。当你能够流畅地解释高斯滤波为什么用可分离卷积、非极大值抑制为什么要插值、双阈值连接如何用BFS实现时，你对计算机视觉的理解就已经上了一个坚实的台阶。最后，别忘了将你的项目代码放到GitHub上，写一份清晰的README，这既是你学习的总结，也是送给其他初学者最好的礼物。