写真：空間分析と変換

フィルタ/畳み込み関数
\ [H [X、Y]
= \和\ limits_ {K、L}、{F [K、L] I [X + K、Y + L]} \] ここで、\（I \）点に対応する画素を表し、\（F（X、Y）\）フィルタ関数であり、\（K、L \）のスイープスキャンウィンドウ（コンボリューション）の任意の時点で。
ゼロパディング、複製（コピー境界）、反射（ミラー）とラップアラウンド（ブロックコピー）：畳み込みプロセスにおいて、パディングは、パディングの種類に応じて、ことに留意すべきは、大別してもよいです

異なる機能、関数\（F（X、Y） \）の機能は同じではありません。

画像強調：

1.平滑化/雑音除去
フィルタパラメータは1であり、コアのサイズは奇数である\（（2N-1）\
CDOT（2N-1）\）一般的フィルタ。

*スムージング平均フィルタ/畳み込み、通常\（3 \ cdot3 \）、STEP = 1、ゼロパディング

*スムージングメディアン一般に、フィルタ/畳み込みを（\（2N-1）\ CDOT（2N-1））\、STEP = 1、コンボリューションの値の昇順にコンボリューションカーネルの画素は、出力として受け取りこのアルゴリズムは、効果的に除去することができ、塩とコショウノイズを

*スムージングガウシアン一般に、フィルタ/畳み込みを\（（2N-1）\ CDOT（2N-1）\。）、人間の目のアナログ、関心の中央領域は、効果的に除去するガウス雑音を
EG：
\ [{G} _ {{\シグマ}} = \ FRAC {1 } {2 \ PI {{\シグマ} ^ {2}}}、{{E} ^ { - \ FRAC {{{X} ^ {2} + {{Y} ^ { 2}}} {2 {{ \シグマ} ^ {2}}}}} \]

0.003	0.013	0.022	0.013	0.003
0.013	0.059	0.097	0.059	0.013
0.022	0.097	0.159	0.097	0.022
0.013	0.059	0.097	0.059	0.013
0.003	0.013	0.022	0.013	0.003

ここで、\（\シグマ\）関心領域に小さく、より集中;逆に、\（\シグマ\）が大きいほど、関心の分散領域。

$左$ \シグマ= 1 $、右$ \シグマ= 4$
$ $
左 \（\シグマ1 = \）、右（\ \シグマ= 4 \）

良好な対称性は、二次元畳み込みとして、ガウシアンカスケードに分割することができる有するガウス平滑化フィルタの畳み込みは、2つの分離可能な1Dに分割され、すなわち、同じである：
\ [{G} _ {{ \シグマ}} = \ FRAC { 1} {2 \ PI {{\シグマ} ^ {2}}}、{{E} ^ { - \ FRAC {{{X} ^ {2} + {{Y} ^ {2}}} {2 { {\シグマ} ^ {2}}}}} = \ FRAC {1}は{\ SQRT {2 \ PI} \シグマ} {{E} ^ { - \ FRAC {{{X } ^ {2}}} { 2 {{\シグマ} ^ {2}}}}} \ FRAC {1}は{\ SQRT {2 \ PI} \シグマ} {{E} ^ { - \ FRAC {{{ Y} ^ {2}}} {2 {{\シグマ} ^ {2}}}}} \]