以下内容摘自OpenCV2计算机视觉编程手册
引言
图像滤波是图像处理的一个基本操作，本章介绍几种常用的滤波器和他们的用途。
图像的频率：不同的图像之间的颜色或者灰度分布不同，我们是从分布的角度来看的，如果我们从灰度的变化角度来看，有些图像的灰度变化缓慢，比如一片蓝色的天空，而有些图像灰度变化迅速，比如有很多物品的热闹场景，因此，图像中像素的变化频率构成了另一种描述图像的方式，低频对于图像变化缓慢，高频对应强度变化迅速，滤波的操作就是针对图像某一频段进行操作的。
使用低通滤波器模糊图像
- 目的：使用低通滤波器能够降低图像变化的幅度，即滤除高频成分。
- 函数：cv::blur(…)或cv::GaussianBlur(…)
- 原理：将每个像素替换为相邻矩形内像素的平均值。
这类滤波器被称为箱式滤波器，滤波过程是：给定一个核(矩阵)，矩阵的元素是权重，核沿着图像的每一个像素移动，该像素与矩阵的中心元素对齐，然后把矩阵每个权重和它覆盖的像素值相乘，最后相加，这一个过程也就是卷积的过程。
GaussianBlur()函数的核是一个高斯核，权重由一维高斯函数计算得到。
如果想要在图像中应用二维高斯滤波，可以先对行应用一维高斯滤波，再对列应用一维高斯滤波。
使用中值滤波器去除椒盐噪声
- 目的：去除图像中的椒盐噪声(分散的雪花点)，也会去除图像中的一些纹理。
- 函数：medianBlur()
- 原理：使用每一个像素邻域中所有像素的中值代替当前像素值，如果区域中有黑色或者白色的噪点，就会被其他像素代替。
使用方向滤波器检测边缘
方向滤波器实际上是一种高频滤波器，具有方向性，利用核对所有像素进行卷积操作，反映图像强度的变化程度。
如果选取Sobel核，则滤波器被称为Sobel滤波器。
水平方向滤波的核选为：
| -1 | 0 | 1 |
|---|---|---|
| -2 | 0 | 2 |
| -1 | 0 | 1 |
垂直方向滤波的核选为：
| -1 | -2 | -1 |
|---|---|---|
| 0 | 0 | 0 |
| 1 | 2 | 1 |
从Sobel的核可以看出，Sobel算子能够计算出每个像素水平或垂直方向的梯度(变化量)，相当于图像函数的一阶导数，使用其可以实现边缘检测。
检测边缘的步骤如下：
- 对图像先后在X和Y方向上应用Sobel滤波器，结果要保存在16位有符号整数图像中
- 计算两个输出图像之间的L1距离，即像素的绝对值之和，因为比L2距离的复杂度低。
- 将上一步得到的图像线性变换为8位整数图像。
- 最后将上一步图像二值化就能够清除看到黑色的轮廓了，选择合适的阈值非常难，太大会导致破碎的边，太小导致边缘太多。
其他算子
还有其他的梯度算子，如：Prewitt算子，Roberts算子，Scharr算子。
拉普拉斯变化检测边缘
拉普拉斯变换后的像素为X方向和Y方向的二阶导数之和，用于衡量图像的弯曲度，它的核如下所示：
| 0 | 1 | 0 |
|---|---|---|
| 1 | -4 | 1 |
| 0 | 1 | 0 |
我们来看一下边缘处图像曲率的变化，因为边缘处图像的灰度区间发生了快速的变化(比如：从暗处到明处)，这时，图像的曲率就会从正曲率变化为负曲率，或者从负曲率变化为正曲率，曲率值符号改变出就是边缘所在处。
因此，根据这个原理就可以进行边缘检测，步骤如下：
- 计算Laplace变化，函数为：cv::Laplacian(…)，输出图像为32位有符号浮点数。
- 新建一个同样大小的白色二值图像，用于保存边缘信息。
- 创建两张图像的迭代器，如果相邻像素(当前像素与上方像素及当前像素与左方像素)乘积小于0，则将二值图像中的像素设置为黑色
可以将0变为负数的阈值，确保当前的像素值能被认为是一条边，该算法的缺点就是检测到的边缘太多，强边和弱边无法区分，并且对噪点非常敏感，