一：基本概念
滤波是数字图像处理中的一个基本操作，在信号处理领域可以说无处不在。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，通常是数字图像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运算和分析的效果。简单来说，图像滤波的根本目的是在图像中提取出人类感兴趣的特征。
当我们观察一幅图像时，有两种处理方法：
1. 观察不同的灰度（或彩色值）在图像中的分布情况，即空间分布。
2. 观察图像中的灰度（或彩色值）的变化情况，这涉及到频率方面的问题。
因此，图像滤波分为频域和空域滤波，简单来说，空域指用图像的灰度值来描述一幅图像；而频域指用图像灰度值的变化来描述一幅图像。而低通滤波器和高通滤波器的概念就是在频域中产生的。低通滤波器旨在去除图像中的高频成分，而高通滤波器则是去除了图像中的低频成分。
这里简单记录以下低通滤波器中的均值和高斯滤波器（线性滤波器）、中值滤波器（非线性滤波器）；高通滤波器中的sobel算子(方向滤波器)和拉普拉斯变换(二阶导数)，其中，sobel算子和拉普拉斯变换均可以对图像的边缘进行检测。
二：低通滤波器
消除图像中的噪声成分叫作图像的平滑化或低通滤波。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。
图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式；另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
当然，在设计低通滤波器时，要考虑到滤波对图像造成的细节丢失等问题。
平滑滤波是低频增强的空间域滤波技术。它的目的有两类：一类是图像模糊；另一类是滤除图像噪声。
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灰度值或亮度值。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。
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。
滤波器的种类有很多， 在OpenCV中，提供了如下几种常用的图像平滑处理操作方法及函数：
1.领域均值滤波：blur函数，将图像的每个像素替换为相邻矩形内像素的平均值（均值滤波）
2.高斯低通滤波：GaussianBlur函数
3.方框滤波：boxblur函数
4.中值滤波：medianBlur函数
5.双边滤波：bilateralFilter函数
以下是均值滤波和高斯低通滤波的简单代码（未修改）：
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
int main()
{
// Read input image
cv::Mat image= cv::imread("../boldt.jpg",0);
if (!image.data)
return 0;
// Display the image
cv::namedWindow("Original Image");
cv::imshow("Original Image",image);
// Blur the image
cv::Mat result;
cv::GaussianBlur(image,result,cv::Size(5,5),1.5);
// Display the blurred image
cv::namedWindow("Gaussian filtered Image");
cv::imshow("Gaussian filtered Image",result);
// Get the gaussian kernel (1.5)
cv::Mat gauss= cv::getGaussianKernel(9,1.5,CV_32F);
// Display kernel values
cv::Mat_<float>::const_iterator it= gauss.begin<float>();
cv::Mat_<float>::const_iterator itend= gauss.end<float>();
std::cout << "[";
for ( ; it!= itend; ++it) {
std::cout << *it << " ";
}
std::cout << "]" << std::endl;
// Get the gaussian kernel (0.5)
gauss= cv::getGaussianKernel(9,0.5,CV_32F);
// Display kernel values
it= gauss.begin<float>();
itend= gauss.end<float>();
std::cout << "[";
for ( ; it!= itend; ++it) {
std::cout << *it << " ";
}
std::cout << "]" << std::endl;
// Get the gaussian kernel (2.5)
gauss= cv::getGaussianKernel(9,2.5,CV_32F);
// Display kernel values
it= gauss.begin<float>();
itend= gauss.end<float>();
std::cout << "[";
for ( ; it!= itend; ++it) {
std::cout << *it << " ";
}
std::cout << "]" << std::endl;
// Get the Deriv kernel (2.5)
cv::Mat kx, ky;
cv::getDerivKernels(kx,ky,2,2,7,true);
// Display kernel values
cv::Mat_<float>::const_iterator kit= kx.begin<float>();
cv::Mat_<float>::const_iterator kitend= kx.end<float>();
std::cout << "[";
for ( ; kit!= kitend; ++kit) {
std::cout << *kit << " ";
}
std::cout << "]" << std::endl;
// Blur the image with a mean filter
cv::blur(image,result,cv::Size(5,5));
// Display the blurred image
cv::namedWindow("Mean filtered Image");
cv::imshow("Mean filtered Image",result);
// Read input image with salt&pepper noise
image= cv::imread("../salted.bmp",0);
if (!image.data)
return 0;
// Display the S&P image
cv::namedWindow("S&P Image");
cv::imshow("S&P Image",image);
// Blur the image with a mean filter
cv::blur(image,result,cv::Size(5,5));
// Display the blurred image
cv::namedWindow("Mean filtered S&P Image");
cv::imshow("Mean filtered S&P Image",result);
// Applying a median filter
cv::medianBlur(image,result,5);
// Display the blurred image
cv::namedWindow("Median filtered S&P Image");
cv::imshow("Median filtered S&P Image",result);
// Reduce by 4 the size of the image (the wrong way)
image= cv::imread("../boldt.jpg",0);
cv::Mat reduced(image.rows/2,image.cols/2,CV_8U);
for (int i=0; i<reduced.rows; i++)
for (int j=0; j<reduced.cols; j++)
reduced.at<uchar>(i,j)= image.at<uchar>(i*2,j*2);
// Display the reduced image
cv::namedWindow("Badly reduced Image");
cv::imshow("Badly reduced Image",reduced);
cv::waitKey();
return 0;
}未完待续……