图像滤波增强处理实质上就是运用滤波技术来增强图像的某些空间频率特征，以改善地物目标与领域或背景之间的灰度反差。遥感系统成像过程中可能产生的”模糊”作用，常使遥感图像上某些用户感兴趣的线性形迹、纹理与地物边界等信息显示得不够清晰，不易识别。需要通过采用领域处理方法来分析、比较和调整像元与其周围相邻像元间的对比度关系，图像才能得到增加，也就是说需要采用滤波增加技术处理。
一，空域滤波：使用空域卷积模板进行的图像处理，模板本身被称为空域滤波器。
（一）线性滤波器：是线性系统和频域滤波概念在空域的自然延伸。
它包括：（1）低通滤波器（低频的通过）：平滑图像，去除噪音
（2）高通滤波器：边缘增强，边缘提取
（3）带通滤波器：删除特定频率
（二）非线性滤波器：使用模板进行结果像素值的计算时，结果值直接取决于像素领域的值，而不使用加权和的计算方式。
它包括：（1）中值滤波：平滑图像，去除噪音
（2）最大值滤波：寻找最亮点
（3）最小值滤波：寻找最暗点
（三）平滑滤波器的主要用途：降低噪音，对大图像处理前，删去无用的细小细节，平滑处理，恢复过分的锐化的图像，图像创艺。
几种简单的低通滤波器：
（1）均值滤波器：待处理像素点的值，等于其一定大小的领域内全体像素的平均值。
（2）加权平均滤波器：待处理像素点的输出值，等于其周围相邻像素的全体像素的加权平均值。
（3）中值滤波器：用模板区域内象素的中值，作为结果值。消除孤立的亮点（暗点），抑制噪声，可以比较好地保留边缘轮廓信息和图像的细节。
（四）锐化滤波器：增强图像中景物的边缘和轮廓，印刷中的细微层次强调，军事目标识别、定位等。
它包括：
（1）基本高通滤波器：在增强了边缘的同时，丢失了图像的层次和背景亮度。能够增强图像中的小尺度地物特征。
（2）高增益滤波器：在增强图像的边缘和细节的同时，保持了原图像的低频成分。即增强了边缘又保留了层次，但在增强了边缘的同时也增强了噪音。
（3）微分滤波器：直接使用，与高通类似。有两种特殊应用：梯度大于25，赋255，否则赋原值，图象中的边缘信息被突出，背景保留。大于25，赋最大值255，否则为零，图像中的边缘信息被突出，同时图像也被二值化。
二、频域滤波：包括：
低通滤波：
又分为：理想低通滤波器（ILPF）
Butterworth低通滤波器（BLPF）
指数抵通滤波器（ELPF）
梯形低通滤波器（TLPF）
高通滤波：
包括：理想高通滤波器（IHPF）
Butterworth高通滤波器（BHPF）
指数高通滤波器（EHPF）
梯形高通滤波器（THPF）
带通/带阻滤波器：带通允许一定频率范围内的信号通过而阻止其他频率范围内的信号通过。
***************************************************************************************************************************************************
图像处理基本概念——卷积，滤波，平滑
1.图像卷积（模板）
(1).使用模板处理图像相关概念：
模板：矩阵方块，其数学含义是一种卷积运算。
卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个像素分别于卷积核(权矩阵)的每个元素对应相 乘，所有乘积之和作为区域中心像素的新值。 卷积核：卷积时使用到的权用一个矩阵表示，该矩阵是一个权矩阵。 卷积示例： 3 * 3 的像素区域R与卷积核G的卷积运算： R5(中心像素)=R1G1 + R2G2 + R3G3 + R4G4 + R5G5 + R6G6 + R7G7 + R8G8 + R9G9
(2).使用模板处理图像的问题(越界问题)：
边界问题：当处理图像边界像素时，卷积核与图像使用区域不能匹配，卷积核的中心与边界像素点对应，卷积运算将出现问题。
处理办法：
A． 忽略边界像素，即处理后的图像将丢掉这些像素。
B． 保留原边界像素，即copy边界像素到处理后的图像。
(3).常用模板：
我们来看一下一维卷积的概念.
连续空间的卷积定义: f(x)与g(x)的卷积是 f(t-x)g(x) 在t从负无穷到正无穷的积分值. t-x要在f(x)定义域内,所以看上去很大的积分实际上还是在一定范围的. 实际的过程就是f(x) 先做一个Y轴的反转,然后再沿X轴平移t就是f(t-x),然后再把g(x)拿来,两者乘积的值再积分.想象一下如果g(x)或者f(x)是个单位的阶越函数. 那么就是f(t-x)与g(x)相交部分的面积.这就是卷积了.
把积分符号换成求和就是离散空间的卷积定义了.那么在图像中卷积卷积地是什么意思呢,就是图像就是图像f(x),模板是g(x),然后将模版g(x)在模版中移动,每到一个位置,就把f(x)与g(x)的定义域相交的元素卷积定义上是线性系统分析经常用到的.线性系统就是一个系统的输入和输出的关系是线性关系.就是说整个系统可以分解成N多的无关独立变化,整个系统就是这些变化的累加. 如 x1->y1, x2->y2; 那么A*x1 + B*x2 -> A*y1 + B*y2 这就是线性系统. 表示一个线性系统可以用积分的形式
就是f(t,x)表示的是A B之类的线性系数.看上去很像卷积呀,对,如果f(t,x) = F(t-x) 不就是了吗.从f(t,x)变成F(t-x)实际上是说明f(t,x)是个线性移不变,就是说变量的差不变化的时候, 那么函数的值不变化. 实际上说明一个事情就是说线性移不变系统的输出可以通过输入和表示系统线性特征的函数卷积得到.
2.图像滤波
（1）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，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。（滤波就是要去除没用的信息，保留有用的信息，可能是低频，也可能是高频）
（2）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。
对滤波处理的要求有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。
（3）图像的滤波方法： 图像的滤波方法很多，主要可以分为频率域法和空间域法两大类。频率域法的处理是在图像的某种变换域内，对图像的变换系数值进行运算，然后通过逆变换获得增强图像。这是一种间接的图像滤波方法。空间滤波方法是一类直接的滤波方法，它在处理图像时直接对图像灰度作运算。
<1>频率域滤波：是将图像从空间或时间域转换到频率域，再利用变换系数反映某些图像特征的性质进行图像滤波的方法。傅立叶变换是一种常用的变换。在傅立叶变换域，频谱的直流分量正比于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域。图像在变换具有的这些内在特性可被用于图像滤波。可以构造一个低通滤波器，使低频分量顺利通过而有效地阻于高频分量，即可滤除图像的噪声，再经过反变换来取得平滑的图像。
低通的数学表达式如下式所示:
式中F (u, v)一含有噪声的原图像的傅立叶变换;
H (u, v)一为传递函数，也称转移函数（即低通滤波器）;
G (u, v)一为经低通滤波后输出图像的傅立叶变换。
H滤波滤去高频成分，而低频信息基本无损失地通过。滤波后，经傅立叶变换反变换可得平滑图像，即
选择适当的传递函数H (u, v)，对频率域低通滤波关系重大。常用的传递函数有梯形函数、指数函数、巴特沃思函数等。
频域常用的几种低通滤波器为理想低通滤波器(Ideal circular Iow-passfilter)、巴特沃思(Butterworth)低通滤波器、指数低通滤波器及梯形低通滤波器。这些低通滤波器，都能在图像内有噪声干扰成分时起到改善的作用。
<2>常用的平面空间域滤波法有两类:
一类是拟合图像的方法，包括n阶多项式拟合、离散正交多项式拟合、二次曲面拟合等多种方法;
另一类是平滑图像的方法，包括领域平均法、中值滤波法、梯度倒数加权法、选择式掩模法等。
<3>高通滤波：边缘提取与增强。边缘区域的灰度变换加大，也就是频率较高。所以，对于高通滤波，边缘部分将被保留，非边缘部分将被过滤；
低通滤波：边缘平滑，边缘区域将被平滑过渡。
高斯滤波：高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由本身和邻域内的其他像素值经过加权平均后得到。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。3×3的掩模如下：
从结构化掩模中可以看到，处于掩模中心的位置比其他任何像素的权值都大，因此在均值计算中给定的这一像素显得更为重要。而距离掩模中心较远的像素就显得不太重要，这样做是为了减小平滑处理中的模糊。
3.图像平滑
图像平滑 image smoothing： 压制、弱化或消除图像中的细节、突变、边缘和噪声,就是图像平滑化。图像平滑是对图像作低通滤波,可在空间域或频率域实现。空间域图像平滑方法主要用低通卷积滤波、中值滤波等；频率域图像平滑常用的低通滤波器有低通梯形滤波器、低通高斯滤波器、低通指数滤波器、巴特沃思低通滤波器等。
关系：
图像卷积：一种实现手段，不管是滤波还是别的什么，可以说是数学在图像处理的一种延伸。
图像滤波：一种图像处理方法，来实现不同目的。
图像平滑：实际上就是低通滤波。
转载自：
https://blog.csdn.net/mvtechnology/article/details/45041771
本文出自勇哥的网站《少有人走的路》wwww.skcircle.com，转载请注明出处！讨论可扫码加群：
少有人走的路
