Halcon图像滤波方法与原理概述

简介

图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。（摘自百度百科）

Halcon算子与算法原理

基础滤波

a、均值滤波

mean_image
均值滤波是指任意一点的像素值，都是周围 N \times M 个像素值的均值
对图像内部的噪声及模糊图像有很好的作用
例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=5\times5 是蓝色区域的大小

b、中值滤波

madian_image
中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。
选一个含有奇数点的窗口W，将这个窗口在图像上扫描，
把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值
对单个噪声具有很好的平滑作用，特别是椒盐噪声。

c、高斯滤波

gauss_filter
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。 

通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3\times3 和 5\times5 邻域的高斯模板。


高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重为0.4。

d、导向滤波

guided_filter
引导滤波（导向滤波）不仅能实现双边滤波的边缘平滑，
而且在检测到边缘附近有很好的表现，可应用在图像增强、HDR压缩、图像抠图及图像去雾等场景

引用导向滤波资料
https://blog.csdn.net/sinat_36264666/article/details/77990790?locationNum=7&fps=1