雾计算与边缘计算的区别, 边缘检测的理论依据, 方法与特点

导读：本文介绍了边缘计算中的雾计算和边缘检测。雾计算将数据收集、处理和存储放在包括物联网设备的LAN内，具有延迟更短、处理能力强的特点，但需要依赖更多的设备进行扩展。边缘检测则是通过一些临近像素相关算法突出灰度变化比较大的部分，利用梯度变换等方法进行边缘检测，常用于图像处理和计算机视觉中。如下为有关雾计算与边缘计算的区别, 边缘检测的理论依据, 方法与特点的文章内容，供大家参考。

1、雾计算是边缘计算有什么区别

雾计算

首先说说「雾计算」，处理能力放在包括 IoT设备的LAN里面。这个网络内的IoT网关，或者说是雾节点用于数据收集，处理，存储。多种来源的信息收集到网关里，处理后的数据发送回需要该数据的设备。

雾计算的特点是处理能力强的单个设备接收多个端点来的信息，处理后的信息发回需要的地方。和云计算相比延迟更短。

和边缘计算相比较的话，雾计算更具备可扩展性。具有集中处理的设备，设想的网络是从多个端点发送数据的大的网络。

雾计算不需要精确划分处理能力的有无。根据设备的能力也可以执行某些受限处理，但是更复杂的处理实施的话需要积极的连接。

以吸尘器为例说明，集中化的雾节点(或者IoT网关)继续从家中的传感器收集信息，检测到垃圾的话就启动吸尘器。

边缘计算

边缘计算，进一步推进了雾计算的「LAN内的处理能力」的理念，处理能力更靠近数据源。不是在中央服务器里整理后实施处理，而是在网络内的各设备实施处理。

这样，通过把传感器连接到可编程自动控制器(PAC)上，使处理和通信的把握成为可能。

和雾计算相比的优点，根据它的性质单一的故障点比较少。各自的设备独立动作，可以判断什么数据保存在本地，什么数据发到云端。

以吸尘器为例说明，边缘计算的解决方案里传感器各自判断有没有垃圾，来发送启动吸尘器的信号。

虽然这2个解决方案带来的东西有点相似，但是数据的收集，处理，通信的方法确实是不同的。都有各自的长处和短处，在各种情况下也会出现适合或不适合。IoT在我们的生活中越来越广泛，将来接触的机会也会更多，只记录数据的传感器已经是明日黄花了。

2、边缘检测的理论依据是什么？有哪些方法？各有什么特点

就是通过一些临近像素相关算法突出灰度变化比较大的部分。变化平缓的取值低，变化越剧烈取值越高。比如有卷积算法，具体计算方法，有拉普拉斯算子、高斯算子等的应用。 如果将边缘认为是一定数量点亮度发生变化的地方，那么边缘检测大体上就是计算这个亮度变化的导数。为简化起见，我们可以先在一维空间分析边缘检测。在这个例子中，我们的数据是一行不同点亮度的数据。例如，在下面的1维数据中我们可以直观地说在第4与第5个点之间有一个边界：

除非场景中的物体非常简单并且照明条件得到了很好的控制，否则确定一个用来判断两个相邻点之间有多大的亮度变化才算是有边界的阈值，并不是一件容易的事。实际上，这也是为什么边缘检测不是一个微不足道问题的原因之一。

检测方法

有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉。

基于搜索的边缘检测方法首先计算边缘强度， 通常用一阶导数表示， 例如梯度模，然后，用计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。

基于零交叉的方法找到由图像得到的二阶导数的零交叉点来定位边缘。 通常用拉普拉斯算子或非线性微分方程的零交叉点。

滤波做为边缘检测的预处理通常是必要的，通常采用高斯滤波。

已发表的边缘检测方法应用计算边界强度的度量，这与平滑滤波有本质的不同。 正如许多边缘检测方法依赖于图像梯度的计算，他们用不同种类的滤波器来估计x-方向和y-方向的梯度。

计算一阶导数

许多边缘检测操作都是基于亮度的一阶导数——这样就得到了原始数据亮度的梯度。使用这个信息我们能够在图像的亮度梯度中搜寻峰值。如果 i(x) 表示点 x 的亮度，i′(x) 表示点 x 的一阶导数（亮度梯度），这样我们就会发现：

对于更高性能的图像处理来说，一阶导数能够通过带有掩码的原始数据（1维）卷积计算得到。

计算二阶导数

其它一些边缘检测操作是基于亮度的二阶导数。这实质上是亮度梯度的变化率。在理想的连续变化情况下，在二阶导数中检测过零点将得到梯度中的局部最大值。另一方面，二阶导数中的峰值检测是边线检测，只要图像操作使用一个合适的尺度表示。如上所述，边线是双重边缘，这样我们就可以在边线的一边看到一个亮度梯度，而在另一边看到相反的梯度。这样如果图像中有边线出现的话我们就能在亮度梯度上看到非常大的变化。为了找到这些边线，我们可以在图像亮度的二阶导数中寻找过零点。如果 i(x) 表示点 x 的亮度，i′′(x) 表示点 x 亮度的二阶导数，那么：

同样许多算法也使用卷积掩码快速处理图像数据：

步骤：

①滤波：边缘检测算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低噪声之间需要折中。

②增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。

③检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。

④定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。

边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的的。

3、边缘计算到底是个什么东东啊，对数据中心建设会有啥影响？哪位神仙能给科普一下子。

我只能简单地给你讲讲，如果太详细的话，那玩意儿简直深了去了。给你举个例子可能理解的更深刻。比如你用手机看个高清视频、玩个VR游戏或者体验自动驾驶的乐趣，这些都会产生数据，而且这些数据对于高速传输和实时响应有很高的要求，在这种情况下，边缘运算能产生更快的网络服务响应，也就成为了最佳的解决方案。

哦了，说完什么是边缘计算，再说说边缘计算对数据中心的影响。与云计算数据中心处于核心地位不同的是，边缘数据中心介于核心数据中心和用户之间，也就是处在最接近你的地方，直接为你提供服务。

不过呢，边缘计算的发展也对数据中心的建设有着新的要求，甚至现在已经提出了第四代数据中心的概念。第四代数据中心的核心是实时响应，针对数据中心产品方案的应用，也要求更完善、更可靠、更智能、更灵活。

按照趋势来说，360度全方位部署最佳实践方案是满足第四代数据中心需求的关键，目前能够做到这一点的厂商为数不多，但是维谛技术有限公司倒是其中之一。这家公司通过引入众多新技术，匹配更先进的监控和管理，全面整合边缘与核心，打造了更灵活和富于弹性的架构和解决方案。在满足新一代数据中心需求方面，这家公司是个佼佼者。

这就是我所知道的内容了，全部倾囊相授了，很有成就感，哈哈。

4、股票对称理论的核心是什么？

股票的对称理论，大概有三个，也就是股市的三大对称定律：

一是价格对称：就是说，股价从哪涨起来的，最后还要回到哪里去。同样，从哪里跌下来的，也还会涨到哪里去。

二是时间对称：就是说，上涨需要多长的时间，下跌也需要同样的时间。

三是高低对称：就是说，一个股票要上涨，当上涨到一半的时候，后市的走势刚好与前一段的走势呈对称状，进一步说，就是在一半的位置上，把最后一天的收盘价轴点，把最低点的起始价格旋转180度，那么，所形成的最高点，就可能是该股未来的最高点。

5、移动边缘计算原理 最近特别火的“边缘计算”是个什么鬼

边缘计算是一种算法方式，和云计算一样，不同的是云计算是集中式，而边缘计算是分布式 台阶不算的，建筑面积是以外墙外边缘计算的。走廊的话，如果没有围护结构（通俗点说就是墙）的话，按投影面积的一半算建筑面积。有围护结构但层高小于2.2m的也算一般面积，大于2.2m时按全部面积计算。 额

6、边缘计算是什么，和云计算的区别是什么

如果把云计算比作整个计算机智能系统的大脑。那么边缘计算就是这个系统的眼睛耳朵和手脚。核心服务器让智能系统具有很强的人工智能，但是如果这个人工智能是聋子瞎子，它也发挥不了太大的作用。

大数据应用中常常面对的一个痛点，就是没有采集到合适的数据。边缘计算可以为核心服务器的大数据算法提供最准确，最及时的数据来源。

边缘计算和云计算的结合让整个智能系统不但头脑清楚，而且耳聪目明，手脚灵便。完全依赖云计算的计算机系统就好比每一件事都要请示司令部的军队，在需要大量和外界互动的时候会显得僵化，反应迟缓，而且一旦网络有点问题就彻底歇菜。

另外一个方面是：边缘计算和云计算是两个截然不同的事情，其中一个不会取代另一个。但目前太多的内容混淆了IT专业人士，提出边缘计算将取代云计算，这就相当于说PC会取代数据中心。

所有公有云提供商都具有包含或将边缘计算的物联网战略和技术栈。边缘计算和云计算可以在一起工作，但边缘计算是用于特殊需求的专用系统。云计算是一种更通用的平台，也可以在旧的客户端/服务器模型中与专用系统配合使用。