各种简单滤波的区别整理
1、 均值滤波（对高斯噪声具有较好的处理效果）
均值滤波在去噪声的同时会有如下缺点：边界模糊效应明显、细节丢失比较严重；无法去掉噪声，只能微弱的减弱它。
高斯噪声：高斯噪声是指它的概率密度函数服从高斯分布的一类噪声
高斯分布（正态分布）：正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。
2、 中值滤波
中值滤波在边界的保存方面优于均值滤波，是经常使用的一种滤波器，但是在模板逐渐变大时，依然会存在一定的边界模糊。中值滤波对处理椒盐噪声非常有效，或者称为脉冲噪声。从中值滤波扩展出来最大值滤波器和最小值滤波器。
3、 高斯滤波
高斯滤波器是利用高斯核与输入图像的每个点进行卷积。提到高斯，就想到‘草帽’，更能记住它。高斯滤波器是一种平滑线性滤波器，使用高斯滤波器对图像进行滤波，其效果是降低图像灰度的“尖锐”变化，也就是使图像“模糊”了。高斯滤波对于抑制服从正态分布的噪声效果非常好，其代价是使图像变得“模糊”。相对于均值滤波边缘丢失的情况有缓解，但还是无法避免。
4、 双边滤波（Bilateral filter）
是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理(在平坦区域，像素值较小，空域占主导作用，相当于高斯滤波；在边缘区域像素差值相对来说会比较大，导致核函数下降，当前像素值受到的影响较小，从而保持边缘细节。p(k,l)模板窗口的中心点坐标；q(i,j)模板窗口其他系数的坐标；σ为标准偏差)，同时考虑空域信息和灰度相似性，达到保边去噪的目的。
5、 拉普拉斯算法进行图像锐化
普拉斯算子是一种二阶微分算子，其强调的是图像中灰度的突变，通过将原图像和拉普拉斯图像加在一起，可以达到锐化图像的作用，最终在保留图像的背景信息的前提下从而突出细节。拉普拉斯锐化模板在边缘检测中非常有用。因为图像的边缘就是那些灰度跳变厉害的的区域。
6、 梯度算子锐化滤波器
梯度算子锐化滤波器有三种，分别是：Soble算子、Roberts算子、Prewitt算子。
Robert算子定位比较精确，但由于不包括平滑，所以对于噪声比较敏感；
Prewitt算子和Sobel算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波且检测的图像边缘可能大于2个像素。这两者对灰度渐变低噪声的图像有较好的检测效果，但是对于混合多复杂噪声的图像，处理效果就不理想了。
Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子，Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。
Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。
Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。
由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效。Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们可以给出阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。
Laplacian算子：这是二阶微分算子。其具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。但是其对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。
7、 Canny边缘检测的步骤
a) 使用高斯滤波器，以平滑图像，滤除噪声。
b) 计算图像中每个像素点的梯度强度和方向。
c) 应用非极大值抑制，以消除边缘检测带来的杂散响应。
d) 应用双阈值（Double-Threshold）检测来确定真实的和潜在的边缘。
e) 通过抑制孤立的弱边缘最终完成边缘检测。