什么是图像滤波
1.图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
2.消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。
3.平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是模糊；另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。
4.关于滤波器，一种形象的比喻法是：我们可以把滤波器想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口放到图像之上，透过这个窗口来看我们得到的图像。
滤波目的：
1、消除图像中混入的噪声。
2、为图像识别抽取出图像特征。
滤波要求：
1、不能损坏图像轮廓及边缘 。
2、图像视觉效果应当更好。
滤波方式
线性滤波（卷积）：
线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。
均值滤波
均值滤波，是图像处理中最常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。理想的均值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。
方式
• 从左到右从上到下计算图像中的每个像素，最终得到处理后的图像。
• 均值滤波可以加上两个参数，即迭代次数，Kernel数据大小。
• 一个相同的Kernel，但是多次迭代就会效果越来越好。
• 同样，迭代次数相同，Kernel矩阵越大，均值滤波的效果就越明显。
注意，这个kernel加权求和之后还得除以9才是均值，用均值替换蓝色中心像素，即中间蓝色部分的值应该是1/9
优缺点：
优点：
算法简单，计算速度快；
缺点：
降低噪声的同时使图像产生模糊，特别是景物的边缘和细节部分。
中值滤波：
中值滤波也是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比均值滤波更好。中值滤波跟均值滤波唯一不同是，不是用均值来替换中心每个像素，而是将周围像素和中心像素排序以后，取中值。
如图所示，中心点周围的像素从小到大排序依次为：10、20、30、35、40、50、60、70，中间值为40（index[8/2=4]），则将80替换为40
那80呢？不要了（手动狗头）
优缺点：
优点：
抑制效果很好，画面的清析度基本保持；
缺点：
对高斯噪声的抑制效果不是很好。
最大最小值滤波：
最大最小值滤波是一种比较保守的图像处理手段，与中值滤波类似，首先要排序周围像素和中心像素值，然后将中心像素值与最小和最大像素值比较，如果比最小值小，则替换中心像素为最小值，如果中心像素比最大值大，则替换中心像素为最大值。
如图，150>144，则将中心点替换为144，若中心点为97，则将中心点替换为98
