空间滤波基础

空间滤波工作机理如上图。模板或者说核，掩膜逐个点移动，如果是线性滤波的话，那么（x,y）这个点经过滤波后的像素值由原来的a,变为模板系数和该系数对应的像素值的乘积和。
这个操作和卷积神经网络中卷积核操作一样，下面介绍几种滤波器。

1、平滑线性滤波器
平滑滤波器用于模糊处理和减少噪声。
原理是输出为模板内像素简单的平均值，所以也叫均值滤波器。

由于噪声就是由于图像灰度的尖锐变化产生的，所以均值处理可以减少噪声。但是图像边缘的特性也是灰度变化，所以也会产生边缘模糊的负面效应。
我们采用的平均一般是加权平均，核中心权重最大，四周的最小，有助于减少模糊。而且16是2的整数次幂，计算机便于计算。当然也有其他的权重来实现不同目的。

2、统计排序滤波器
这是一种非线性的空间滤波器。最典型的就是中值滤波器，将像素邻域内灰度的中值代替该像素值。这种滤波器对于脉冲噪声（椒盐噪声）具有得天独厚的处理优势。

3.锐化空间滤波器
锐化的目的就是突出图像中的细节或者增强被模糊了的细节。
之前说过均值处理会模糊图像，其实均值和积分的思想类似，所以我们猜测锐化可以用空间微分实现。微分会增强边缘和噪声，减弱灰度变化缓慢的区域。其实微分就类似求导，我们可以想象出来。
微分形式如下：

二阶微分其实就是导数的导数，可以用一阶微分推出来。

图像增强----拉普拉斯算子

为了数字图像的离散表示


我们可以看出，模板的系数其实就实现了拉普拉斯算子。
通常，因为二阶微分算子会增强突变的区域，降低灰度变化缓慢的区域。所以我们经常把拉普拉斯算子和原图像叠加起来。这样不仅能保留图像的背景，还能增强细节。

基于一阶微分的图像增强----梯度法
梯度是【Gx,Gy】，我们通常用模值来表示这个向量，又为了简便计算，用绝对值代替平方开方。梯度=|Gx+Gy|。
而用模板怎么表示，根据一阶微分的形式，也就是Gx=z8-z5,Gy=z6-z5.
还有一种交叉差分表示。
sobel算子就是其中一种，不具体介绍。