1、边缘检测

边缘检测是计算机视觉中的一项基础任务，旨在识别图像中物体的边缘信息。就好比我们在一幅色彩斑斓的图画中，用铅笔轻轻勾勒出每个物体的轮廓线。这些轮廓线（边缘信息）能帮助计算机 “看清” 图像里物体的形状边界，就像我们通过轮廓来分辨画里的小猫、大树和房子一样，是计算机理解图像内容的重要一步。

常见的边缘检测算法有基于梯度的算法，如Sobel算子、Prewitt算子等，它们通过计算图像中像素点在水平和垂直方向上的梯度来确定边缘位置。

还有Canny边缘检测算法，它是一种较为经典且效果较好的算法，通过高斯滤波平滑图像以减少噪声影响，然后计算梯度幅值和方向，再进行非极大值抑制以细化边缘，最后通过双阈值检测和边缘连接来确定最终的边缘。

2、目标检测

目标检测是在图像或视频中识别出感兴趣的目标物体，并确定其位置和类别。想象你在热闹的菜市场找苹果，目标检测就如同你的眼睛和大脑配合，迅速从琳琅满目的商品中 “锁定” 苹果，不仅知道这是苹果（确定类别），还能准确指出苹果在摊位上的具体位置。

对于计算机而言，它通过算法在图像或视频的海量信息里，精准找出我们指定的目标物体，给出其所在位置和类别，广泛应用于安防监控、自动驾驶等场景。

早期的目标检测方法主要基于手工设计的特征，如HOG（HistogramofOrientedGradients）特征结合SVM（SupportVectorMachine）分类器进行目标检测。

随着深度学习的发展，基于卷积神经网络的目标检测方法取得了巨大突破。如R-CNN（RegionswithCNNfeatures）系列算法，首先通过选择性搜索等方法生成一系列可能包含目标的候选区域，然后对每个候选区域提取卷积神经网络特征，并使用分类器进行分类和回归以确定目标的类别和位置。之后发展出的FastR-CNN和FasterR-CNN进一步提高了检测速度和精度。此外，还有YOLO（YouOnlyLookOnce）和SSD（SingleShotMultiBoxDetector）等单阶段目标检测算法。