高斯低通滤波器在选择小的截止频率_机器视觉学习（二）高斯卷积

---

一、图像类型

二、图像去噪

三、卷积的三种模式

四、高斯卷积

---

一、图像类型

1、二值图像（Binary Image）

一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代白色。由于每一像素（矩阵中每一元素）取值仅有0、1两种可能，所以计算机中二值图像的数据类型通常为1个二进制位。二值图像通常用于文字、线条图的扫描识别（OCR）和掩膜图像的存储。

二值图像

2、灰度图像（Gray Image）

灰度图像矩阵元素的取值范围通常为[0，255]。因此其数据类型一般为8位无符号整数的（int8），这就是人们经常提到的256灰度图像。“0”表示纯黑色，“255”表示纯白色，中间的数字从小到大表示由黑到白的过渡色。在某些软件中，灰度图像也可以用双精度数据类型（double）表示，像素的值域为[0，1]，0代表黑色，1代表白色，0到1之间的小数表示不同的灰度等级。二值图像可以看成是灰度图像的一个特例。

灰度图像

3、RGB彩色图像（Color Image）

RGB图像分别用红（R）、绿（G）、蓝（B）三原色的组合来表示每个像素的颜色。RGB图像的数据类型一般为8位无符号整形，通常用于表示和存放真彩色图像，当然也可以存放灰度图像。

RGB图像

二、图像去噪

噪声点，其实在视觉上看上去让人感觉很难受，直观理解就是它跟周围的像素点差异比较大，显得比较突兀，视觉看起来很不舒服，这就是噪声点。那如何去除噪声点呢？

一个自然而然的想法就是把每个像素点与周围其他像素点加权平均一下。而这个权重就叫做卷积核。当然也可以直接求平均，如下图所示。

均值滤波（卷积核）

那么对图像卷积（滤波）是如何进行的呢？加入现在有一个卷积核g，在对图像进行卷积操作时首先要对卷积核进行一个翻转操作，先水平翻转，再进行竖直翻转。