簡介

圖像濾波，即在盡量保留圖像細節特征的條件下對目標圖像的噪聲進行抑制，是圖像預處理中不可缺少的操作，其處理效果的好壞將直接影響到后續圖像處理和分析的有效性和可靠性。（摘自百度百科）

Halcon算子與算法原理

基礎濾波

a、均值濾波

mean_image
均值濾波是指任意一點的像素值，都是周圍 N \times M 個像素值的均值
對圖像內部的噪聲及模糊圖像有很好的作用
例如下圖中，紅色點的像素值是其周圍藍色背景區域像素值之和除25，25=5\times5 是藍色區域的大小

b、中值濾波

madian_image
中值濾波是非線性的圖像處理方法，在去噪的同時可以兼顧到邊界信息的保留。
選一個含有奇數點的窗口W，將這個窗口在圖像上掃描，
把窗口中所含的像素點按灰度級的升或降序排列，取位于中間的灰度值來代替該點的灰度值
對單個噪聲具有很好的平滑作用，特別是椒鹽噪聲。

c、高斯濾波

gauss_filter
高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應用于圖像處理的減噪過程。 

通俗的講，高斯濾波就是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過加權平均后得到。
高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內像素的加權平均灰度值去替代模板中心像素點的值。
為了克服簡單局部平均法的弊端(圖像模糊)，目前已提出許多保持邊緣、細節的局部平滑算法。它們的出發點都集中在如何選擇鄰域的大小、形狀和方向、參數加平均及鄰域各店的權重系數等。
圖像高斯平滑也是鄰域平均的思想對圖像進行平滑的一種方法，在圖像高斯平滑中，對圖像進行平均時，不同位置的像素被賦予了不同的權重。高斯平滑與簡單平滑不同，它在對鄰域內像素進行平均時，給予不同位置的像素不同的權值，下圖的所示的 3\times3 和 5\times5 鄰域的高斯模板。


高斯濾波讓臨近的像素具有更高的重要度，對周圍像素計算加權平均值，較近的像素具有較大的權重值。如下圖所示，中心位置權重為0.4。

d、導向濾波

guided_filter
引導濾波（導向濾波）不僅能實現雙邊濾波的邊緣平滑，
而且在檢測到邊緣附近有很好的表現，可應用在圖像增強、HDR壓縮、圖像摳圖及圖像去霧等場景

引用導向濾波資料
https://blog.csdn.net/sinat_36264666/article/details/77990790?locationNum=7&fps=1