在图像上使用filter的过程可称为卷积，filter使用的权重模式称为filter核。
filter三大应用场景：
增强图像（去噪、增强对比度、resize）、提取信息（边缘、角点、纹理）、检测某一模式（Pattern）
几个有意思的filter：
一、不得不知道的filter（图像增强方面的应用）：
高斯核：
用某一像素其周围像素加权值（权值服从高斯分布，离该像素越近的像素权值越大）来代替该像素，以达到平滑。所选用的高斯核的标准差越大，平滑效果越好，同时丢失的细节信息越多，可以看出平滑是以丢失细节为代价的（图像多少会有些模糊）。
表示某一方向上变化快慢的filter：
在x方向上变化程度可用如下filter表示
非线性filter：
中值filter（不会带来模糊感）、最大值filter、最小值filter
来一组直观的对比图（高斯滤波和中值滤波）：
高斯滤波的另一大应用场景：构建图像金字塔（多尺度的图像表示）！
给定一张图像输出其在不同尺度下的表示。尺度越小，图像越粗糙。
如何构建呢？简单来说，从最精细的图像开始，先做高斯滤波，再做下采样，于是乎，图像尺度越来越小，最终可获取同一图像的多个尺度的表示，形象地称其为图像金字塔。
二、filter在寻找相似Pattern上的应用：
换一种方式看待卷积：我们将filter看作pattern向量，卷积过程可视为和图像的一个小pattern（也看作向量）做点积运算，求出的结果视为响应值，响应值越大代表越相似。
但是使用这种方式寻找Pattern有很大的bug，比如：图像本身的像素值就很大，那么计算出的响应值也大，但并不相似，于是就有了Normalized Correlation，计算两个向量夹角的余弦值，如下所示：
