图像预处理过程中，常常会遇到类似这样问题：有没有一个“好”的算法？例如，有没有一个好的边缘检测算法，或者有没有一个好的滤波算法？但通常来说，没有一个算法能够满足通用性要求，每个算法都有各自的特点。因此，对于这类问题，最先要问的是：我要解决什么问题，为什么我需要一个这样的算法？对于人造物体的检测，可能需要边缘检测算法，因为人造物体中，有规律的边缘或直线比较常见，但需要调整一些参数；对于非人造物体，可能识别特征或颜色更合适，这里并不需要边缘检测。这篇文章介绍一下高斯滤波、中值滤波与双边滤波的基本特点，实际应用中可能会遇到的一些问题。
高斯滤波
高斯滤波是线性（Linear）滤波的一种，原理是针对图像中的每一个点（Pixel）与高斯内核（Kernel）进行卷积计算，并将计算结果相加，输出到目标图像中。
高斯滤波的通用性与性能都比较好，并且由于是线性滤波，对于卷积计算过程，可以通过对Kernel的降维，使算法的时间复杂度由 n2 降为 n∗2 。另外，在OpenCV中，针对特定尺寸的Kernel，如 3∗3 , 5∗5 , 7∗7 都有特殊的实现，使得性能相比其它的Kernel，有额外的提升。
中值滤波
中值滤波属于非线性（Non-linear）滤波的一种。中值滤波使用一个围绕当前像素的矩形，查找区域内像素的中值（Median or Middle-Value），并用该中值替换矩形区域内的其它像素点。中值滤波对于散射噪声（Shot Noise）的处理比较理想，因为散射噪声通常与周围像素值的差异非常大。但中值滤波的性能一般，因为算法执行过程中，要使用中值对其它像素进行替换。而且对于高斯噪声的处理不理想，不过可以通过追加针对区域像素最大值与最小值的忽略，来计算中值。
双边滤波
如果采用一个基于权重的Kernel和一个更好的排除算法（如，中值滤波会导致图像的边缘不清晰，因为中值的选择很可能基于图像的背景像素进行），会发生什么？这个思路就是双边滤波的基本想法。双边滤波中，输出像素基于相邻像素的计算的权重值进行，而权重函数的系数基于一个Domain Kernel和Range Kernel计算而来。Domain Kernel通常是高斯Kernel，而Range Kernel用于计算相邻像素与中心像素的相似度。双边滤波的性能不是特别好，但对于以上俩种滤波算法来说，其重要的特点是能够保持图像的边缘清晰（高斯滤波会导致像素移位），这在检测应用中有重要的意义。