企业官网建设流程全解析

1. 从"交作业"到"真会用"：数字图像处理实验的认知重构

很多人对数字图像处理实验作业的理解，还停留在"调个库函数、跑出结果、截图交差"的阶段。我当年第一次做这类作业也是这个心态——用几行代码把图片读进来，套一个现成的滤波函数，保存输出，完事。直到后来真正在项目里需要处理一批工业相机采集的图像时，才发现当年那些"跑通了"的实验，其实一个都没真正搞懂。

数字图像处理这门课的实验作业，核心价值不在于"能不能跑出结果"，而在于你是否理解像素级操作背后的数学逻辑、是否知道不同算法在什么场景下会失效、是否具备从零手写核心算子的能力。Python在这个领域扮演的角色很特殊：它既有OpenCV、scikit-image这样成熟的工业级库，又能让你用NumPy直接操作像素矩阵，把算法原理"扒开"看个清楚。这种"高层封装"和"底层裸奔"之间的切换能力，恰恰是这门课最应该训练的东西。

这篇内容面向的是正在做数字图像处理实验作业的本科生、研究生，以及想通过实验重新夯实图像处理基础的开发者。我会围绕这类实验作业最常见的几个模块——图像基础操作、空间域滤波、频域处理、边缘检测与形态学——把每个环节的原理推导、手写实现、库函数对比、踩坑记录完整展开。你既可以把它当作实验报告之外的"补充讲义"，也可以当作一份可以反复查阅的实操手册。所有代码都基于Python生态，环境准备部分我会给出经过验证的依赖清单。

需要提前说明的是，不同学校的实验指导书在具体任务上会有差异，但底层原理和核心算子是一致的。我会在讲解时明确区分"通用原理"和"具体实现选择"，这样无论你的作业要求是什么，都能找到对应的思路。

2. 实验环境搭建：那些指导书不会告诉你的依赖细节

2.1 为什么我不建议一上来就装全套科学计算环境

新手最容易踩的坑，就是打开教程看到一句pip install opencv-python numpy matplotlib scikit-image scipy，然后无脑执行。结果要么是某个包版本冲突导致import cv2直接报错，要么是OpenCV的GUI功能在服务器环境下根本用不了。我的建议是按实验模块分批安装，每装一个就验证一个，这样出问题能快速定位。

基础三件套是必须的：NumPy负责矩阵运算，OpenCV负责读写和工业级算法，Matplotlib负责可视化。这三个的版本兼容性相对稳定。但要注意，opencv-python和opencv-contrib-python是两个不同的包，前者只包含主模块，后者包含SIFT、SURF等专利算法（现在SIFT已进入主模块，但部分特征检测器仍在contrib里）。如果你的实验涉及特征点检测，直接装contrib版本，不要两个都装，否则会出现模块覆盖的诡异问题。

# 推荐的基础安装顺序，逐个验证 pip install numpy python -c "import numpy; print(numpy.__version__)" pip install opencv-contrib-python python -c "import cv2; print(cv2.__version__)" pip install matplotlib scikit-image scipy

2.2 图像读写环节的隐藏陷阱

cv2.imread()这个函数看起来简单，但它有两个非常容易翻车的点。第一，默认读取的是BGR通道顺序，而Matplotlib显示时用的是RGB，如果你直接把cv2读的图丢给plt.imshow()，红色和蓝色会互换。这不是bug，是历史遗留设计。解决办法要么用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换，要么在读取后手动翻转通道。

第二，读取失败时返回的是None而不是抛异常。这意味着如果你的路径写错了，程序不会报错，而是在后续操作时报一个莫名其妙的"NoneType has no attribute"错误。我养成的习惯是每次读取后立刻加一行断言：

import cv2 import numpy as np img = cv2.imread('test.jpg') assert img is not None, "图像读取失败，检查路径和文件格式" print(f"图像尺寸: {img.shape}, 数据类型: {img.dtype}")

还有一个细节：cv2.imread()的第二个参数决定读取模式。cv2.IMREAD_COLOR是默认值，强制转成3通道BGR；cv2.IMREAD_GRAYSCALE转灰度；cv2.IMREAD_UNCHANGED保留原始通道（包括alpha）。做灰度处理实验时，如果你先用IMREAD_COLOR读进来再转灰度，和直接用IMREAD_GRAYSCALE读，结果在数值上可能有细微差异，因为前者是先解码彩色再转换，后者是解码时直接输出灰度。这个差异在大多数作业里不影响结论，但如果你在做精度对比实验，需要统一读取方式。

2.3 关于显示窗口的一个实用技巧

用cv2.imshow()弹窗显示图像时，窗口默认不支持缩放，大图会超出屏幕。而且如果同时显示多张图，窗口会重叠。我的做法是写一个简单的显示辅助函数，用Matplotlib的subplot来排版，这样截图放进实验报告也整齐：

import matplotlib.pyplot as plt def show_images(images, titles, figsize=(15, 5)): """批量显示图像，自动排版""" n = len(images) fig, axes = plt.subplots(1, n, figsize=figsize) if n == 1: axes = [axes] for ax, img, title in zip(axes, images, titles): if len(img.shape) == 2: ax.imshow(img, cmap='gray') else: ax.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) ax.set_title(title) ax.axis('off') plt.tight_layout() plt.show()

这个函数后面会反复用到，建议直接放进你的实验代码模板里。注意灰度图必须指定cmap='gray'，否则Matplotlib会用彩色映射显示，看起来像热力图，容易误导对结果的判断。

3. 空间域滤波：从卷积核手写到边界处理

3.1 卷积的数学本质与"翻转"问题

空间域滤波的核心是卷积运算。但这里有一个几乎每个初学者都会困惑的点：数学上的卷积和深度学习里的"卷积"不是一回事。数学定义的卷积需要先翻转核再滑动相乘，而图像处理中常用的操作（以及CNN中的卷积）实际上是相关运算，不翻转核。OpenCV的filter2D函数实现的也是相关运算，尽管它名字叫filter。

这个区别在对称核（如均值核、高斯核）上完全看不出来，因为翻转后核不变。但一旦你用非对称核（比如用于检测特定方向边缘的核），结果就会不同。做实验时如果指导书要求"实现卷积"，你需要确认它指的是哪种。我的经验是：绝大多数图像处理实验里说的"卷积"就是相关运算，直接滑动相乘即可，不用纠结翻转。

手写一个卷积函数是理解这个过程的最好方式。下面是一个不带任何优化的版本，目的是让逻辑清晰：

def convolve2d_manual(image, kernel): """手写二维相关运算（不翻转核）""" img_h, img_w = image.shape k_h, k_w = kernel.shape pad_h, pad_w = k_h // 2, k_w // 2 # 零填充 padded = np.zeros((img_h + 2*pad_h, img_w + 2*pad_w), dtype=np.float64) padded[pad_h:pad_h+img_h, pad_w:pad_w+img_w] = image output = np.zeros_like(image, dtype=np.float64) for i in range(img_h): for j in range(img_w): region = padded[i:i+k_h, j:j+k_w] output[i, j] = np.sum(region * kernel) return output

这段代码用双重循环逐像素计算，在512x512的图像上大概要跑几秒到十几秒，慢得让人想砸键盘。但它的价值在于：你能清楚地看到每个输出像素是怎么由邻域加权求和得到的。理解了这一步，再用NumPy的向量化操作或OpenCV的filter2D加速，心里就有底了。

3.2 边界处理：零填充、复制填充与镜像填充的取舍

上面的代码用了零填充（在图像外围补0）。这会导致图像边缘出现暗边，因为边缘像素的邻域里混入了0。实际工程中，边界处理策略会显著影响结果，尤其是核比较大的时候。

OpenCV的filter2D默认使用BORDER_REFLECT_101（镜像填充的一种），而cv2.GaussianBlur等函数默认用BORDER_DEFAULT，也是反射填充。如果你手写的卷积用零填充，和OpenCV的结果在边缘处会有明显差异。做对比实验时，要么统一填充方式，要么在报告中说明差异来源。

我个人的建议是：手写实现时用复制填充，因为它最直观，且和大多数库函数的默认行为接近。实现上只需要在填充时把边缘像素复制出去：

def pad_replicate(image, pad_h, pad_w): """复制填充""" return np.pad(image, ((pad_h, pad_h), (pad_w, pad_w)), mode='edge')

NumPy的np.pad支持'edge'（复制）、'reflect'（镜像）、'constant'（零填充）等多种模式，直接调用即可，不用自己写循环。

3.3 均值滤波与高斯滤波：不只是"模糊"那么简单

均值滤波就是用一个全1的核做归一化，每个输出像素是邻域的平均值。它的作用是平滑噪声，但代价是边缘也被模糊了。这是因为均值核对所有邻域像素一视同仁，不管它们离中心多远。

高斯滤波则根据距离加权，离中心越近的像素权重越大。这个权重由二维高斯函数决定：

$$G(x, y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$$

其中$\sigma$是标准差，控制模糊程度。$\sigma$越大，权重分布越平缓，模糊效果越强。实际实现时，核的大小通常取$6\sigma+1$（保证覆盖99.7%的能量），然后取最近的奇数。

def gaussian_kernel(size, sigma): """生成二维高斯核""" ax = np.arange(-(size//2), size//2 + 1) xx, yy = np.meshgrid(ax, ax) kernel = np.exp(-(xx**2 + yy**2) / (2 * sigma**2)) return kernel / kernel.sum() # 归一化，保证亮度不变

这里有个容易忽略的点：归一化。如果不除以总和，滤波后图像整体会变亮或变暗。高斯核的归一化系数就是$2\pi\sigma^2$的离散近似，但直接除以核内所有元素之和更稳妥，能避免离散化带来的误差。

实测中我发现，当$\sigma$很小（比如0.5）而核大小取7x7时，核边缘的值已经小到接近0，此时归一化后中心权重极大，滤波效果接近恒等变换。所以核大小和$\sigma$要匹配，一般取$size = 2 \times \lceil 3\sigma \rceil + 1$比较合理。

3.4 中值滤波：椒盐噪声的克星

均值和高斯滤波都是线性滤波，对高斯噪声有效，但面对椒盐噪声（随机出现的纯黑纯白像素）就力不从心了——它们会把噪声像素的值平均到邻域里，反而污染了周围。中值滤波是非线性的，它取邻域像素的中位数作为输出。由于椒盐噪声是极端值，中位数能天然地把它们排除掉。

def median_filter_manual(image, size=3): """手写中值滤波""" pad = size // 2 padded = np.pad(image, pad, mode='edge') output = np.zeros_like(image) for i in range(image.shape[0]): for j in range(image.shape[1]): region = padded[i:i+size, j:j+size] output[i, j] = np.median(region) return output

中值滤波的缺点是慢——排序操作比加权求和耗时得多。OpenCV的cv2.medianBlur对3x3和5x5核有特殊优化，速度比手写快几十倍。做实验时可以用手写版本验证正确性，用OpenCV版本处理大图。

注意：中值滤波对高斯噪声的效果不如均值滤波，因为高斯噪声的像素值分布是连续的，中位数并不能有效去除。选滤波器之前先判断噪声类型，这是实验报告里值得写一笔的分析点。

4. 频域处理：傅里叶变换的直观理解与实操

4.1 为什么频域处理让人望而生畏

傅里叶变换的公式一摆出来，很多人就懵了。但其实图像频域处理的核心思想非常朴素：任何图像都可以分解成不同频率的正弦波叠加。低频对应图像中变化缓慢的区域（如大片背景），高频对应变化剧烈的区域（如边缘、噪声）。把图像转到频域，你就可以直接对"频率"下手——想让图像变模糊就衰减高频，想锐化就增强高频，想去周期性噪声就在特定频率上挖个坑。

二维离散傅里叶变换（DFT）的公式是：

$$F(u, v) = \sum_{x=0}^{M-1} \sum_{y=0}^{N-1} f(x, y) e^{-j2\pi(\frac{ux}{M} + \frac{vy}{N})}$$

其中$f(x,y)$是空间域像素值，$F(u,v)$是频域系数。直接按这个公式算是$O(M^2N^2)$的复杂度，实际用的是快速傅里叶变换（FFT），复杂度降到$O(MN\log(MN))$。NumPy的np.fft.fft2就是干这个的。

4.2 频谱图的正确显示方式

FFT的结果是复数，直接看没法理解。通常要显示的是幅度谱，而且要做对数变换，因为低频分量的幅度比高频大好几个数量级，不取对数的话频谱图就是中心一个亮点，其他全黑。

def compute_spectrum(image): """计算并返回可显示的频谱图""" f = np.fft.fft2(image.astype(np.float64)) fshift = np.fft.fftshift(f) # 将零频移到中心 magnitude = np.abs(fshift) spectrum = 20 * np.log(magnitude + 1) # 对数变换，+1避免log(0) return spectrum

fftshift的作用是把零频分量从角落移到图像中心，这样频谱图看起来更符合直觉——中心是低频，向外是高频。如果不做这个移位，零频在左上角，分析起来很别扭。

显示时还要注意归一化到0-255范围，否则Matplotlib会自动缩放，不同图像之间的频谱没法对比：

spectrum_normalized = cv2.normalize(spectrum, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)

4.3 理想低通、巴特沃斯低通与高斯低通的对比

低通滤波就是保留低频、衰减高频。不同的衰减曲线对应不同的滤波器：

理想低通滤波器（ILPF）在截止频率处直接一刀切，$D(u,v) \leq D_0$的保留，否则置零。它的频域响应是矩形，对应的空间域是sinc函数，会产生振铃效应（边缘附近出现波纹）。这是因为它陡峭的过渡带在空间域引入了高频振荡。

巴特沃斯低通滤波器（BLPF）的过渡带是平滑的，阶数$n$控制陡峭程度：

$$H(u,v) = \frac{1}{1 + [D(u,v)/D_0]^{2n}}$$

$n$越大越接近理想滤波器，振铃越明显；$n=1$时过渡最平滑，几乎没有振铃。

高斯低通滤波器（GLPF）的频域响应也是高斯函数：

$$H(u,v) = e^{-D^2(u,v)/(2D_0^2)}$$

它的傅里叶逆变换仍然是高斯函数，所以空间域没有振铃。这是三者中最"温和"的。

做实验时，建议三种都实现一遍，用同一张图、同一个截止频率，对比结果。这样能直观感受到振铃效应的来源。我当年做这个对比时，用理想低通处理一张文字图像，结果文字边缘出现了明显的"鬼影"，而高斯低通就干净很多。

4.4 频域滤波的完整实现流程

频域滤波的步骤是固定的：FFT → 移位 → 乘滤波器 → 逆移位 → 逆FFT → 取实部。这里最容易出错的是忘记逆移位和忘记取实部。

def frequency_filter(image, filter_func, **kwargs): """频域滤波通用流程""" f = np.fft.fft2(image.astype(np.float64)) fshift = np.fft.fftshift(f) rows, cols = image.shape crow, ccol = rows // 2, cols // 2 u = np.arange(rows).reshape(-1, 1) - crow v = np.arange(cols).reshape(1, -1) - ccol D = np.sqrt(u**2 + v**2) # 距离矩阵 H = filter_func(D, **kwargs) filtered = fshift * H img_back = np.fft.ifft2(np.fft.ifftshift(filtered)) return np.abs(img_back) # 取模，等价于取实部的绝对值

逆FFT的结果理论上应该是实数（因为输入是实图像的频谱），但由于浮点误差，虚部会有极小值。用np.abs比np.real更稳妥，能避免负值问题。最后记得把结果裁剪到0-255并转uint8。

实操心得：频域滤波处理彩色图像时，不要对RGB三个通道分别做FFT再合并，那样会引入颜色失真。正确做法是转成YCbCr或HSV，只对亮度通道做频域处理，再转回RGB。这个细节很多实验指导书不会提，但在实际项目中很关键。

5. 边缘检测：从梯度到Canny的完整链路

5.1 梯度的离散近似：Sobel算子的设计逻辑

边缘的本质是像素值的剧烈变化，数学上就是梯度大的地方。但图像是离散的，没有解析导数，只能用差分近似。最简单的一阶差分是$f(x+1) - f(x)$，但它对噪声敏感，而且只用了两个像素。

Sobel算子的聪明之处在于同时做了差分和平滑。它的水平方向核是：

[-1 0 1] [-2 0 2] [-1 0 1]

这个核可以分解为两个操作的组合：垂直方向的平滑[1, 2, 1]和水平方向的差分[-1, 0, 1]的外积。平滑抑制了噪声，差分提取了边缘。中间的2是权重，让中心行贡献更大。

def sobel_manual(image): """手写Sobel边缘检测""" Kx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]], dtype=np.float64) Ky = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]], dtype=np.float64) padded = np.pad(image.astype(np.float64), 1, mode='edge') Gx = np.zeros_like(image, dtype=np.float64) Gy = np.zeros_like(image, dtype=np.float64) for i in range(image.shape[0]): for j in range(image.shape[1]): region = padded[i:i+3, j:j+3] Gx[i, j] = np.sum(region * Kx) Gy[i, j] = np.sum(region * Ky) magnitude = np.sqrt(Gx**2 + Gy**2) return magnitude, Gx, Gy

梯度幅值用$\sqrt{G_x^2 + G_y^2}$计算，也可以用$|G_x| + |G_y|$近似，后者快但精度略低。梯度方向是$\arctan(G_y / G_x)$，在非极大值抑制里会用到。

5.2 Canny边缘检测的四步拆解

Canny是边缘检测的"黄金标准"，但它不是一个单一操作，而是四个步骤的流水线：

1. 高斯平滑：先用高斯滤波降噪，否则噪声会被当成边缘。
2. 计算梯度：用Sobel等算子算幅值和方向。
3. 非极大值抑制（NMS）：沿梯度方向检查，只保留局部最大值，把宽边缘细化成单像素宽。
4. 双阈值检测与滞后连接：设高阈值和低阈值，高于高阈值的确定是边缘，低于低阈值的丢弃，介于两者之间的只有连接到确定边缘时才保留。

NMS是Canny的精髓。没有它，边缘会是一条粗带；有了它，边缘变成细线。实现NMS时，需要根据梯度方向判断该像素是否比沿梯度方向的两个邻居都大。方向通常量化为四个方向（0°、45°、90°、135°），分别对应左右、对角、上下、反对角。

def non_maximum_suppression(magnitude, direction): """非极大值抑制""" M, N = magnitude.shape result = np.zeros_like(magnitude) angle = direction * 180. / np.pi angle[angle < 0] += 180 for i in range(1, M-1): for j in range(1, N-1): q, r = 255, 255 # 根据梯度方向选择比较的两个邻居 if (0 <= angle[i,j] < 22.5) or (157.5 <= angle[i,j] <= 180): q, r = magnitude[i, j+1], magnitude[i, j-1] elif 22.5 <= angle[i,j] < 67.5: q, r = magnitude[i+1, j-1], magnitude[i-1, j+1] elif 67.5 <= angle[i,j] < 112.5: q, r = magnitude[i+1, j], magnitude[i-1, j] elif 112.5 <= angle[i,j] < 157.5: q, r = magnitude[i-1, j-1], magnitude[i+1, j+1] if magnitude[i,j] >= q and magnitude[i,j] >= r: result[i,j] = magnitude[i,j] return result

双阈值的选取是个经验活。高阈值太高会漏掉弱边缘，太低会引入噪声。常用的启发式方法是根据梯度幅值的直方图，取某个百分位数。OpenCV的Canny函数里，高低阈值的推荐比例是2:1到3:1。

5.3 边缘检测的常见翻车现场

做边缘检测实验时，我踩过几个典型的坑，这里列出来帮你省时间：

坑一：忘记转灰度。Sobel和Canny都是针对单通道设计的。如果直接对三通道图像调用，OpenCV会分别处理每个通道再合并，结果可能颜色错乱。正确做法是先cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)。

坑二：数据类型溢出。Sobel的核里有负数，如果图像是uint8类型，计算过程中会出现负数回绕（比如-1变成255）。必须在滤波前转成float64或int16。OpenCV的cv2.Sobel有个ddepth参数，设成cv2.CV_64F可以避免这个问题。

坑三：阈值凭感觉设。Canny的双阈值对结果影响极大。同一张图，阈值设50/150和100/200，结果可能天差地别。建议先用cv2.Canny的默认值跑一遍，再根据结果调整。如果边缘太多，提高阈值；如果边缘断裂，降低低阈值。

坑四：忽略梯度方向。有些人只算幅值不算方向，然后做NMS时随便比较上下左右。这样得到的边缘虽然比原始梯度细，但不是最优的。梯度方向决定了应该沿哪个方向比较，忽略它会导致边缘定位不准。

6. 形态学操作：结构元素才是真正的"参数"

6.1 腐蚀与膨胀的几何直觉

形态学操作处理的是二值图像（或灰度图像）的"形状"。腐蚀（erosion）是让白色区域缩小，膨胀（dilation）是让白色区域扩大。但更准确的理解是：腐蚀是"结构元素完全包含在白色区域内时才保留中心点"，膨胀是"结构元素与白色区域有交集就标记中心点"。

结构元素（kernel）是一个小矩阵，通常是3x3或5x5，形状可以是矩形、十字形、椭圆形。它的形状决定了操作的方向性。比如一个水平长条形的结构元素，腐蚀时会优先消除垂直方向的细线，保留水平方向的结构。

def erode_manual(image, kernel): """手写腐蚀操作（二值图）""" k_h, k_w = kernel.shape pad_h, pad_w = k_h // 2, k_w // 2 padded = np.pad(image, ((pad_h, pad_h), (pad_w, pad_w)), mode='constant', constant_values=0) output = np.zeros_like(image) for i in range(image.shape[0]): for j in range(image.shape[1]): region = padded[i:i+k_h, j:j+k_w] # 结构元素覆盖的区域内，如果全是前景（255），则中心保留 if np.all(region[kernel == 1] == 255): output[i, j] = 255 return output

膨胀的实现类似，只是判断条件从"全是255"变成"存在255"。

6.2 开运算与闭运算：顺序决定效果

开运算是先腐蚀后膨胀，闭运算是先膨胀后腐蚀。这个顺序不能反，因为它们的用途完全不同：

• 开运算：去除小的白色噪点，断开细连接。先腐蚀把噪点消掉，再膨胀恢复主体大小。
• 闭运算：填充小的黑色孔洞，连接断开的区域。先膨胀把孔洞填上，再腐蚀恢复主体大小。

我做过一个对比实验：在一张有噪点的二值图上，分别用开运算和闭运算处理。开运算后噪点没了但主体略微变形，闭运算后噪点还在但孔洞被填了。这说明选错运算类型比选错参数更致命。

6.3 结构元素的设计经验

结构元素的大小和形状是形态学操作的核心参数。3x3的矩形核是最常用的，但它对对角线方向的处理不够精细。十字形核（只有上下左右）在保持连通性时更自然。椭圆形核适合处理圆形物体。

一个实用的技巧是：先用小核多次迭代，而不是用大核一次。比如要消除5x5的噪点，用3x3核腐蚀两次，比用5x5核腐蚀一次的效果更平滑，因为多次小核操作更接近圆形结构元素。OpenCV的cv2.erode和cv2.dilate都有iterations参数，直接设迭代次数即可。

# 两种方式的对比 kernel_5x5 = np.ones((5,5), np.uint8) eroded_once = cv2.erode(binary_img, kernel_5x5, iterations=1) kernel_3x3 = np.ones((3,3), np.uint8) eroded_twice = cv2.erode(binary_img, kernel_3x3, iterations=2)

实测下来，eroded_twice的边缘更圆滑，eroded_once的角落更方正。如果你的实验涉及形状分析，这个差异会影响后续的轮廓提取和面积计算。

7. 实验报告之外：把作业变成真正能力的几个建议

做数字图像处理实验，最容易陷入的误区是"结果对了就行"。但如果你只满足于调库函数出图，这门课的核心价值就浪费了。我的建议是：每个实验模块至少手写实现一次核心算法，哪怕它慢、哪怕它有bug。手写的过程会逼你面对那些库函数帮你隐藏的细节——边界怎么处理、数据类型怎么转换、参数怎么影响结果。

另一个建议是建立自己的代码片段库。图像读写、显示排版、频谱计算、卷积核生成，这些操作在每个实验里都会重复。把它们封装成函数，下次直接调用。我当年做完整门课的实验后，积累了一个两百多行的工具模块，后来做项目时还在用。

最后，实验报告里多写"为什么"少写"是什么"。老师不关心你调用了哪个函数，关心的是你是否理解这个函数背后的原理、是否知道它的适用条件和局限。比如你用了高斯滤波，就写清楚为什么选高斯而不是均值，$\sigma$是怎么定的，核大小和$\sigma$的关系是什么。这些分析才是实验作业真正要训练的能力。

关于后续的扩展方向，如果你对图像处理产生了兴趣，可以沿着两条路走：一条是往深度学习方向，把传统算子作为理解CNN卷积层的基石；另一条是往计算摄影方向，研究HDR、去噪、超分辨率等实际应用。无论哪条路，这个实验课打下的像素级操作基础都会一直有用。