空间域平滑滤波器（低通滤波器）

平滑滤波包括：均值滤波、加权均值滤波、阈值平均滤波、中值滤波、高斯滤波等，应用时他们仅是卷积核之间的不同。

平滑滤波用于模糊处理和降低噪声。模糊处理常用于预处理任务中，如在目标提取之前去除图像中的一些琐碎细节，以及桥接直线或曲线的缝隙。通过线性或非线性平滑滤波也可降低噪声。

均值滤波器

均值滤波（normalized box filter）就是用其像素点周围像素的平均值代替元像素值，在滤除噪声的同时也会滤掉图像的边缘信息的方法。

但均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声。

卷积核：
在这里插入图片描述
opencv提供的函数

//作用：使用归一化卷积模板模糊图像
#cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)
#src：图像矩阵  ksize：滤波窗口(算子)尺寸  anchor：锚点   borderType：边界扩充类型

高斯滤波器

高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声，如传统车牌识别等。

高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布），从而确保中心点看起来更接近与它距离更近的点。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。

卷积核：
在这里插入图片描述

opencv提供的函数

//作用：根据像素距离使用高斯函数生成权重进行滤波
#cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
#dst：输出图像 src：输入图像 ksize：卷积核的大小 
#sigmaX：x方向上的标准差  sigmaY：y方向上的标准差  
#borderType：边界模式，默认为BORDER_DEFAULT

中值滤波器

统计排序滤波器，非线性滤波器。如果不在边缘区域，图像的数据是平缓的，没有太大的差值。因此，一个噪声点的值要么过大，要么过小。比如下图，左图是没有处理的原图，90在该区域由为突出，通过对33的9个数据进行排序，将中间值27重新填入，即滤波完成，原本的噪声点被去掉，该区域恢复平缓。同理，在边缘区域中，对于边界来说，高频不会影响，而过低数值将会突出，中值的选择将不会受到影响，除非33的整块区域都被污染，这时我们可以考虑更大的核来处理。

没有卷积核表达式。

在这里插入图片描述