/*今天师弟来问我，CV的书里到处都是卷积，滤波，平滑……这些概念到底是什么意思，有什么区别和联系，瞬间晕菜了，学了这么久CV，卷积，滤波，平滑……这些概念每天都念叨好几遍，可是心里也就只明白个大概的意思，赶紧google之~ 发现自己以前了解的真的很不全面，在此做一些总结，以后对这种基本概念要深刻学习了~*/

1.图像卷积（模板）

(1). 使用 模板 处理 图像 相关概念：      

      模板 ：矩阵方块，其数学含义是 一 种 卷积 运算。       

     卷积 运算：可看作是加权求和的过程，使用到的 图像 区域 中的每个像素分别于卷积 核 ( 权矩阵 ) 的每个元素对应相 乘，所有乘积之和作为区域中心像素的新值。 
      卷积 核： 卷积 时使用到的权用 一个 矩阵表示，该矩阵 是 一个 权矩阵。 
      卷积 示例： 
              3 * 3  的像素区域 R 与卷积 核 G 的 卷积 运算： 
               R5( 中心像素 )=R1G1 + R2G2 + R3G3 + R4G4 + R5G5 + R6G6 + R7G7 + R8G8 + R9G9 
            

(2). 使用 模板 处理 图像 的问题(越界问题)： 
       边界问题：当处理 图像 边界像素时， 卷积 核 与图像 使用区域不能匹配， 卷积核的中心 与 边界像素点对应， 卷积 运算将出现问题。 
       处理办法： 
              A．  忽略边界像素，即处理后的 图像 将丢掉这些像素。 
              B．  保留原边界像素，即 copy 边界像素到处理后的 图像 。

(3). 常用 模板 ： 

我们来看 一 下 一 维 卷积 的概念 . 
连续空间的 卷积 定义:  f(x) 与 g(x)的 卷积 是 f(t-x)g(x) 在t从负无穷到正无穷的积分值. t-x要在f(x)定义域内,所以看上去很大的积分实际上还是在 一 定范围的. 实际的过程就是f(x) 先做 一个 Y轴的反转,然后再沿X轴平移t就是f(t-x),然后再把g(x)拿来,两者乘积的值再积分.想象 一 下如果g(x)或者f(x)是个单位的阶越函数. 那么就是f(t-x) 与 g(x)相交部分的面积.这就是 卷积 了. 
把积分符号换成求和就是离散空间的 卷积 定义了.那么在 图像 中 卷积卷积 地是什么意思呢,就是 图像 就是 图像 f(x), 模板 是g(x),然后将模版g(x)在模版中移动,每到 一个位置,就把f(x) 与 g(x)的定义域相交的元素 卷积 定义上是线性系统分析经常用到的.线性系统就是 一个 系统的输入和输出的关系是线性关系.就是说整个系统可以分解成N多的无关独立变化,整个系统就是这些变化的累加. 如 x1->y1, x2->y2; 那么A*x1 + B*x2 -> A*y1 + B*y2 这就是线性系统. 表示 一个 线性系统可以用积分的形式 

 ,

就是f(t,x)表示的是A B之类的线性系数.看上去很像 卷积 呀,对,如果f(t,x) = F(t-x) 不就是了吗.从f(t,x)变成F(t-x)实际上是说明f(t,x)是个线性移不变,就是说变量的差不变化的时候, 那么函数的值不变化. 实际上说明 一个 事情就是说线性移不变系统的输出可以通过输入和表示系统线性特征的函数 卷积 得到.

2.图像滤波

（1） 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响到后续图像处理和分析的有效性和可靠性。（滤波就是要去除没用的信息，保留有用的信息，可能是低频，也可能是高频） 

（2）滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;  另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。

对滤波处理的要求有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。

（3）图像的滤波方法：  图像的滤波方法很多，主要可以分为频率域法和空间域法两大类。频率域法的处理是在图像的某种变换域内，对图像的变换系数值进行运算，然后通过逆变换获得增强图像。这是一种间接的图像滤波方法。空间滤波方法是一类直接的滤波方法，它在处理图像时直接对图像灰度作运算。

     <1>频率域滤波：是将图像从空间或时间域转换到频率域，再利用变换系数反映某些图像特征的性质进行图像滤波的方法。傅立叶变换是一种常用的变换。在傅立叶变换域，频谱的直流分量正比于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域。图像在变换具有的这些内在特性可被用于图像滤波。可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，即可滤除图像的噪声，再经过反变换来取得平滑的图像。

    低通的数学表达式如下式所示: 
                                       

    式中F (u, v)一含有噪声的原图像的傅立叶变换; 
        H (u, v)一为传递函数，也称转移函数（即低通滤波器）; 
        G (u, v)一为经低通滤波后输出图像的傅立叶变换。 
        H滤波滤去高频成分，而低频信息基本无损失地通过。滤波后，经傅立叶变换反变换可得平滑图像，即 
                                   
    选择适当的传递函数H (u, v)，对频率域低通滤波关系重大。常用的传递函数有梯形函数、指数函数、巴特沃思函数等。 
    频域常用的几种低通滤波器为理想低通滤波器(Ideal  circular Iow-passfilter)、巴特沃思(Butterworth)低通滤波器、指数低通滤波器及梯形低通滤波器。这些低通滤波器，都能在图像内有噪声干扰成分时起到改善的作用。 
   <2>常用的平面空间域滤波法有两类:  

          一类是拟合图像的方法，包括n阶多项式拟合、离散正交多项式拟合、二次曲面拟合等多种方法; 

          另一类是平滑图像的方法，包括领域平均法、中值滤波法、梯度倒数加权法、选择式掩模法等。

     <3>高通滤波： 边缘提取与增强。 边缘区域的灰度变换加大，也就是频率较高。所以，对于高通滤波，边缘部分将被保留，非边缘部分将被过滤；

           低通滤波：边缘平滑， 边缘区域将被平滑过渡。

            高斯滤波 ： 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，都由本身和邻域内的其他像素值经过加权平均后得到。 高斯平滑滤波器对于抑制服从 正态分布 的噪声非常有效。 3×3的掩模如下：

×1/16 

从结构化掩模中可以看到，处于掩模中心的位置比其他任何像素的权值都大，因此在均值计算中给定的这一像素显得更为重要。而距离掩模中心较远的像素就显得不太重要，这样做是为了减小平滑处理中的模糊。

3.图像平滑

图像平滑 image smoothing： 压制、弱化或消除图像中的细节、突变、边缘和噪声,就是图像平滑化。图像平滑是对图像作低通滤波,可在空间域或频率域实现。空间域图像平滑方法主要用低通卷积滤波、中值滤波等；频率域图像平滑常用的低通滤波器有低通梯形滤波器、低通高斯滤波器、低通指数滤波器、巴特沃思低通滤波器等。 

关系：

图像卷积：一种实现手段，不管是滤波还是别的什么，可以说是数学在图像处理的一种延伸。

图像滤波：一种图像处理方法，来实现不同目的。

图像平滑：实际上就是低通滤波。