上一篇内容讲了图像的灰度变换，它主要是运用在单点的处理，在图像的对比度、亮度等方面进行增强。这一次介绍图像的空间滤波，它会利用像素周围领域的像素信息，对图像的灰度进行处理。处理的目的主要有以下几个方面：

去噪：在成像的过程中，由于硬件传感器或者成像环境的因素，相机获得的图像经常会存在噪声。为了减弱噪声，需要设计合适的图像滤波算法。

特征提取：为了从图像中提取特征、线特征或者边缘特征，这些都需要有对应合适的滤波器。

图像增强：在有些应用中，需要对图像进行细节增强，如锐化，使得图像边缘更加锐利。

卷积滤波

在讲具体的算法之前，我们先看一个最基础的卷积滤波。以Source输入图像为例，还有个3*3的卷积核，输入图像通常要远远大于卷积核的尺寸。卷积核的大小不一定是3*3，还可以是5*5，7*7都有可能。有了一个原图像和卷积核，对于3*3的卷积核来说，简单的可以直接覆盖[0,0]位置开始，对中心[1,1]位置的像素进行卷积，卷积核的元素和图像的元素逐点相乘再做一个累加，那么可以用以下的公式表达。

卷积滤波它是空间滤波的基础，下面有各种各样的滤波，比如说平滑滤波器、锐化滤波、还有提取图像边缘的滤波器，都是用卷积滤波来实现。这些不同功能的滤波器主要的区别在于他们的卷积核是不同的。

卷积滤波是对图像进行一个局部的运算，通常在具体平台的计算当中是可以并行加速的，和卷积神经网络进行对比，这里学到的卷积滤波的核的参数是由人工设计的，是确定的。而在卷积神经网络里面，运算的过程是一样的，只不过卷积核的参数是训练网络推理出来的。

均值滤波

接着来介绍最简单的滤波——均值滤波。所谓的均值滤波在卷积核的权重里面，所有的权重都是相同的，如图核把所有的权重加起来是为1的。平均下来每一项为1/9

均值滤波器的作用是让这个图像变得更加平滑，但是需要注意的是：在通常情况下，均值滤波是各项同性的滤波器，但它在特的输入源的情况下，有可能会出现各项异性的效果。各项异性是什么意思呢？就说在这个图像的倾斜方向的结构上，或者说水平方向或者垂直方向的结构上，在应用同一个均值滤波器的时候，会经历不一样的平滑程度的处理。

扫描二维码关注公众号，回复： 15263637 查看本文章

以右上举例，图 (b)为输入原图，白条纹是一个单位，黑条纹是二个单位，共三个单位为一组间隔。应用一个3*3的均值滤波以后，它得到的输出是图(c)，这个是符合预期黑白混合成灰。

当输入图像变为图(d)白条纹是一个单位，黑条纹也是一个单位，也是运用3*3的均值滤波的时候，得到的输出是图(e)所示。注意到输入的黑白条纹发生了一个反转，这个明显就是在预期之外了。

有关各项异性和各项同性的介绍，可以再看看这篇文章。

高斯滤波

接着介绍高斯滤波，和均值滤波相比，高斯滤波是各项同性的，不存在特例。上图左边是一维的高斯函数，右边是二维的高斯函数。它是一个非常平滑的曲线/曲面，其中详细的高斯卷积核的权重求解可以参考之前写过的文章，这里不再详细论述。

当我们高斯滤波的时候，一个重要的参数就说它的滤波器的尺度sigma σ ，当sigma取值越小，高斯函数的输出越尖锐的一个曲线，当sigma的取值越大的时候，高斯曲线就越平坦，平滑的力度就越大。上面是一个实际的对比图，随着sigma的不断加大，它的平滑力度会越大，图像的细节已经完全看不到了。

双边滤波

那么上面介绍的高斯滤波是一个最理想的平滑滤波器，它的作用是对图像进行平滑去噪。那么有一个问题就是，高斯滤波的各项同性特性，在它平滑图像的同时会破坏图像的边缘性，即丢失了图像中边缘结构的信息。这其实是我们不希望的，譬如一幅人脸的图像，脸上有些痘痘，我们是希望用高斯滤波去掉这些痘痘，同时希望图像的人脸信息还是清晰的。那么在这种情况下需要有一个具有边缘保持特性的滤波器，双边滤波器是一个很好的选择。

双边滤波它的权重由两部分组成，一部分是依赖空间位置的权重项，第二部分是图像颜色差异的权重项。

看公式可能有点抽象，可以先参考我之前写在OpenGL实现的双边滤波的文章。

Input是一个带噪声的输入信号，同时也是一个有着明显边缘结构（出现上下层断裂），当我们用双边滤波进行操作的时候，这里有两种权重，一个空间距离相关的权重（Spatial weight）其实就是一个高斯函数；另外一个是颜色差异边缘的权重（Range weight）就是和这个中心像素点颜色差异的一个权重。

最终双边滤波的权重，由（空间和颜色差异）两种权重相乘决定的，最后我们把相乘后的权重应用到输入信号上得到Result。明显看到结果即保留了边缘结构信息，也得到平滑去噪的效果。