1.卷積應用原理：
用乙個模板和一幅影象進行卷積，對於影象上的乙個點，讓模板的原點和該點重合，然後模板上的點和影象上對應的點相乘，然後各點的積相加，就得到了該點的卷積值。對影象上的每個點都這樣處理。由於大多數模板都是對稱的，所以模板不旋轉。卷積是一種積分運算，用來求兩個曲線重疊區域面積。可以看作加權求和，可以用來消除雜訊、特徵增強。
把乙個點的畫素值用它周圍的點的畫素值的加權平均代替。
卷積是一種線性運算,影象處理中常見的mask運算都是卷積，廣泛應用於影象濾波。
卷積在資料處理中用來平滑，卷積有平滑效應和展寬效應.
2.平滑過程
有噪點的原圖，可以把它轉為乙個矩陣：
比如我要平滑 a_ 點，就在矩陣中，取出 a_ 點附近的點組成矩陣 f ，和 g 進行卷積計算後，再填回去
用乙個**來說明下計算過程：
寫成卷積公式就是：
要求 c_ ，一樣可以套用上面的卷積公式。
這樣相當於實現了 g 這個矩陣在原來影象上的划動
在影象平滑處理時，函式g通常取高斯核函式
3.高斯核
二維高斯分布：
在圖形上，正態分佈是一種鐘形曲線，越接近中心，取值越大，越遠離中心，取值越小。
計算平均值的時候，我們只需要將"中心點"作為原點，其他點按照其在正態曲線上的位置，分配權重，就可以得到乙個加權平均值。例如：通常，影象處理軟體會提供"模糊"（blur）濾鏡，使產生模糊的效果。
高斯模糊的原理：
所謂"模糊"，可以理解成每乙個畫素都取周邊畫素的加權平均值。
以高斯分布取g矩陣的值得到的模糊方法即為高斯模糊。
權重矩陣
假定中心點的座標是（0,0），那麼距離它最近的8個點的座標如下：
更遠的點以此類推。
為了計算權重矩陣，需要設定σ的值。假定σ=1.5，則模糊半徑為1的權重矩陣如下
這9個點的權重總和等於0.4787147，如果只計算這9個點的加權平均，還必須讓它們的權重之和等於1，因此上面9個值還要分別除以0.4787147，得到最終的權重矩陣。
計算高斯模糊
有了權重矩陣，就可以計算高斯模糊的值了。
假設現有9個畫素點，灰度值（0-255）如下：
每個點乘以自己的權重值（高斯核函式關於中心對稱，所以直接對應相乘與旋轉180°相乘效果一樣）：
得到將這9個值加起來，就是中心點的高斯模糊的值。
對所有點重複這個過程，就得到了高斯模糊後的影象。如果原圖是彩色，可以對rgb三個通道分別做高斯模糊。
參考：
python opencv濾波去噪
利用均值濾波去除雜訊，python版opencv的安裝不再贅述 左邊是原圖，右邊是濾波之後的結果 附 import cv2 生成8000個噪點 a random.randint 0 499 b random.randint 0 499 img01 a,b 255 cv2.imshow origina...
作業1（高斯模糊，椒鹽雜訊，中值濾波去噪）
imread 得到黑白原圖im 圖一 im rgb2gray im im im2double im imshow im 高斯核模糊 得到模糊後的b 圖二 方法一 sigma 11 hsize 10 h fspecial gaussian hsize,sigma b imfilter im,h,sym...
雙邊濾波原理 及 基於雙邊濾波的銳化去噪演算法思想
雙邊濾波是基於高斯濾波的思想，在高斯濾波的基礎上，加上影象畫素值對中心畫素的影響，兩者共同影響中心畫素的值。高斯濾波 權重大小取決於中心畫素的灰度值和鄰域畫素的灰度值得差，當邊緣有較大的灰度變化時，這個公式會使邊緣和邊緣另一邊的區域生成較小的權值，與中心畫素的灰度值類似的區域會生成較大的權值。下圖能...