图像滤波模板

频率

狭义概念：频率是单位时间内完成周期性变化的次数。

广义概念：频率就是指一定时间内的变化次数。

  信号处理中的函数自变量是时间；
  数字图像处理的函数自变量不再是时间，而是换成了图像矩阵的像素灰度值。

原来在信号处理中，从前一秒到后一秒，信号周期性变化的次数，就是频率；相应地，在数字图像处理中，从一个像素点到相邻的一个像素点，灰度值变化的多少，就是频率。

高频分量：就是频率值高，就是像素之间灰度变化大，这通常对应着图像区域边缘等；
低频分量：就是频率值低，就是像素灰度之间灰度变化小，这通常是图像中平坦的区域。

平滑滤波和锐化滤波

平滑滤波能去除高频分量，而锐化滤波能去除低频分量。
具体讲是：平滑滤波去处噪声，锐化滤波强化边缘、细节与周围的对比度。

平滑滤波主要包括：线性平滑滤波（方框滤波、均值滤波、高斯滤波等）、非线性平滑滤波（中值滤波、序统计滤波）。opencv中对应boxblur、blur、gaussianblur函数。
锐化滤波主要包括：线性锐化滤波（拉普拉斯算子、高频提升滤波）、非线性锐化滤波（基于梯度的锐化滤波、最大-最小锐化变换等）

注意 实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。

平滑滤波

线性平滑滤波
opencv现在有3个线性平滑滤波器：方框滤波、均值滤波、高斯滤波

先说均值滤波。均值滤波就是用指定大小的、元素全为1的模糊核，对原图进行卷积操作（其实，就是原图像中当前位置对应的核大小的区域，各个元素相加），然后除以核的元素个数。也可以理解为，其核为：元素全为1、系数为元素个数的矩阵。

然后是方框滤波。是均值滤波的推广：元素全为1、系数为alpha的矩阵。alpha等于核的个数时，就是均值滤波；否则一般取1（哦，为什么要搞这么大？难道不会超出255麻？）

再看高斯滤波。前面两个滤波的核（也叫模板），元素值都只有一种。如果模板的元素不只一种，就是加权线性滤波了。
高斯滤波是加权线性滤波的一种，准确说是：模板元素的分布符合二次高斯分布。高斯分布其实就是正态分布。因为一般认为噪声的分布都符合高斯分布，那么去噪也用符合高斯分布的模板，效果会比较好。
通过为GaussianBlur函数传入sigmaX,sigmaY,size等参数，函数能生成相应的符合高斯分布的模板。然后对原图像和模板进行卷积操作，就得到滤波后的图像。

非线性平滑滤波
opencv现在有2个非线性平滑滤波：中值滤波和双边滤波

中值滤波：模板限定区域内，取像素灰度的中值（我理解为中位数），作为计算结果。中值滤波的效果是，让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，消除了信号序列（这里是模板框定范围内像素点灰度值）的孤立点。因为不是简单的取均值，产生的模糊更少些，通常能比均值滤波更好地保持图像的细节。

锐化滤波

主要包括：线性锐化滤波（拉普拉斯算子、高频提升滤波）、非线性锐化滤波（基于梯度的锐化滤波、最大-最小锐化变换等）
线性锐化滤波可以借助模板卷积实现。对应积分运算的模板卷积可以平滑图像，反过来对应微分运算的模板卷积可以锐化图像。锐化模板系数的取值，应该在中心为正而周围远离中心处为负。

https://www.cnblogs.com/zjutzz/p/4854839.html#:~:text=%E4%B8%AD%E5%80%BC%E6%BB%A4%E6%B3%A2%EF%BC%9A%E6%A8%A1%E6%9D%BF%E9%99%90%E5%AE%9A%E5%8C%BA%E5%9F%9F%E5%86%85%EF%BC%8C%E5%8F%96%E5%83%8F%E7%B4%A0%E7%81%B0%E5%BA%A6%E7%9A%84%E4%B8%AD%E5%80%BC%EF%BC%88%E6%88%91%E7%90%86%E8%A7%A3%E4%B8%BA%E4%B8%AD%E4%BD%8D%E6%95%B0%EF%BC%89%EF%BC%8C%E4%BD%9C%E4%B8%BA%E8%AE%A1%E7%AE%97%E7%BB%93%E6%9E%9C%E3%80%82,%E4%B8%AD%E5%80%BC%E6%BB%A4%E6%B3%A2%E7%9A%84%E6%95%88%E6%9E%9C%E6%98%AF%EF%BC%8C%E8%AE%A9%E4%B8%8E%E5%91%A8%E5%9B%B4%E5%83%8F%E7%B4%A0%E7%81%B0%E5%BA%A6%E5%80%BC%E7%9A%84%E5%B7%AE%E6%AF%94%E8%BE%83%E5%A4%A7%E7%9A%84%E5%83%8F%E7%B4%A0%E6%94%B9%E5%8F%96%E4%B8%8E%E5%91%A8%E5%9B%B4%E5%83%8F%E7%B4%A0%E5%80%BC%E6%8E%A5%E8%BF%91%E7%9A%84%E5%80%BC%EF%BC%8C%E6%B6%88%E9%99%A4%E4%BA%86%E4%BF%A1%E5%8F%B7%E5%BA%8F%E5%88%97%EF%BC%88%E8%BF%99%E9%87%8C%E6%98%AF%E6%A8%A1%E6%9D%BF%E6%A1%86%E5%AE%9A%E8%8C%83%E5%9B%B4%E5%86%85%E5%83%8F%E7%B4%A0%E7%82%B9%E7%81%B0%E5%BA%A6%E5%80%BC%EF%BC%89%E7%9A%84%E5%AD%A4%E7%AB%8B%E7%82%B9%E3%80%82