一. 简介

    深度学习中的cnn网络，通过优化器进行自动学习kernel参数，最终达到特征提取目的。学习到的这些参数，在传统的图像处理中是通过人工设计的方式实现的。通过设计不同的滤波器，我们可以对图像做不同的变换处理，通过对传统图像处理中用到的滤波器的理解，可以有助于理解cnn网络的原理。本文介绍图像处理领域常用的滤波器形式及作用。

二. 常见滤波器的作用

    在图像处理中通常通过滤波器可以实现：

        1.图像平滑：目的是去噪，副作用是模糊，设计原则是去除噪声的前提下尽量保留细节

        2.图像锐化：目的是增强特征，又称特征提取，副作用是强化噪声，设计原则是突出图像的细节，增强边缘对比度的前提下尽量降低噪声干扰

    2.1 去噪常用的滤波器及效果：

         均值滤波，高斯滤波，中值滤波，双边滤波：就是向m*n的二维矩阵中填充不同分布的数值

         1. 均值滤波，各位置值相同

         效果：(左输入原图，右滤波后的结果图)，kernel 的width * height 越大，或者小kernel作用次数越多，去除噪声越好，但越模糊

        2.高斯滤波：即假设某一位置的像素和其邻域像素符合高斯分布.具体的说的话,就是每一位置的像素的权重符合高斯分布.这样的话,给定一个高斯分布,及高斯核的大小,则可以计算出周边n个像素的权重值.

         效果：（左：原图；中，右为输出结果；使用不同的方差，方差越大，越等效于均值滤波器，特征损失越大）

         3.中值滤波：即把像素值变为邻域像素值的中位数. 统计操作，非线性滤波（椒盐噪声）

         4.双边滤波

          我们已经知道高斯滤波器是求中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考虑一个像素是否位于边界。因此边界也会被模糊掉，而这不是我们想要的。

         双边滤波同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不会被模糊掉，因为边界处的灰度值变化比较大.简单滴说就是,在生成周边像素的权重矩阵时,如果发现旁边的像素值和当前的像素值差异很大,就只给差异很大的那个元素分配很小的权重,这样"大的突变差异就被保留了".双边滤波能在保持边界清晰的情况下有效的去除噪音。但是这种操作与其他滤波器相比会比较慢.

         效果：(细小纹理去除，大的边缘保留)

         5.其他形式的滤波器：

           不同滤波器，就是在m*n的矩阵里面填充不同的数据分布，传统的图像处理是根据不同的任务设计不同的kernel，cnn就是通过学习的过程自动搜索各种适应性分布，因为数据量大，特征复杂，人工设计的工作量大，cnn的训练只是将这一过程自动化了。

opencv链接：https://www.cnblogs.com/sdu20112013/p/11600436.html