从卷积的角度看图像滤波器

        图像滤波器可以理解为卷积操作的图像解释，平移、旋转、尺度变换、滤波、增强等等，都可以用卷积实现。

1、均值滤波

        均值滤波，顾名思义就是窗口内取均值代替原来的值。用卷积模板来表示如下：

        图像中的每个点，取以自己为中心的八邻域的均值作为滤波后的值。用数学表达，f 为 m*n 大小的图像，g 为 k * l 大小的卷积核，如下：

2、平移

        图像与一个只有中心点为 1，其它为 0 的卷积进行卷积操作，结果为自身（边界处理上与原图存在不一致）。

        平移，如向右平移，卷积核右边为1，其它为0，效果如下：

3、边缘、锐化

3.1、边缘提取

        边缘是什么呢？原图 - 均值滤波平滑后的图 = 边缘图。

        转为卷积操作表达：

3.2、锐化

        锐化是什么呢？原图 + 边缘图 = 锐化。

        转为卷积操作表达：

3.3、拉普拉斯高斯锐化

数学表达：

4、卷积操作性质

4.1、图像与卷积操作有以下性质

1）线性：

2）平移不变性：

4.2、卷积核性质

1）交换律：

2）结合律：

3）分配律：

4）尺度：

5）卷积中心为1的核结果为自身：

5、高斯卷积核

        方形模板的均值滤波容易让图像产生振铃效果，如下：

        所以，实际中更希望模板为平滑的，离当前点近的权重高点，离的远的权值低点。高斯函数满足这样的需求，二维高斯表达如下：

        注：这里要求所有的模板权重之和为1，才能保证图像整体亮度不变。所以，一般会在高斯模板后对其进行归一化。

        三要素：窗宽、方差、模板归一化。

        窗宽不变情况下，方差越大，形状越扁，中间值越集中。平滑的就不那么厉害。

        方差不变下，窗宽的大小仅受最后一步模板归一化的影响。一般情况3o置信度为98%，2o置信度90%。一般取一半的窗宽等于3o。

6、高斯卷积核性质

        性质1：图像被高斯卷积核两次卷积，等价于使用一个根号2倍的方差的卷积核卷一次。即一个大高斯卷积核可以由两个小卷积核连续卷积得到。

        性质2：二维的高斯核可以分解为两个一维的高斯核。