3.1 空间滤波
空间滤波，就是直接在灰度值上，做一些滤波操作。滤波一词，其实来源于频域，将某个频率成分滤除的意思。大部分线性的空间滤波器（比如均值滤波器），是在空间上进行一些灰度值上的操作，这个线性空间滤波器与频域滤波器有一一对应的关系（比如均值滤波器其本质就是低通滤波器），这样会有助于理解这个滤波器的特性。然而，对于非线性的滤波器（比如最大值，最小值和中央值滤波器）的话，则没有这样一个一一对应的关系。
空间滤波的计算方式为，对每个像素:
其中N_p为p的邻域。
比较常见的滤波器有均值滤波、最大滤波：
3.2 滤波器
3.2.1 线性滤波器
均值滤波器本质是线性滤波器，线性滤波器的通用公式为：
公式中的称为kernel，也就是滤波核（其实跟卷积核一个意思）
3.2.2 非线性滤波器
最大滤波、最小滤波都是非线性滤波。
3.3 平滑滤波
平滑滤波又称低通（Low-pass）滤波，一般有均值滤波核加权滤波两种方法。
做法并不难理解，通过计算周围的点，去掉一些噪声，使图片更加平滑。
例子如下，不难看出，随着滤波核的增大，模糊程度会不断变大。
3.3.1 均值滤波
快速均值滤波
积分图
图像I的积分图S是与其大小相同的图像，S的每一像素存储的事
左上角所有像素的颜色值之和。积分图很容易获得，只需要一编扫描即可。
基于积分图，可以执行O(1)的均值滤波。获取积分图后，假设滤波核大小为,只需计算：
3.4 锐化滤波（sharpening filter）
锐化滤波就是将图片特征凸显出来，相当于均值滤波的反向操作。
3.4.1 基本锐化滤波
滤波核的特点：
）滤波器中心有正系数，而在边缘有负的系数
）总和为0
这种方法常用于边缘检测。
3.4.2 导数滤波器（Derivative Filter）
图像平均类似于积分，导致图像模糊
而使用图像差分，就有可能得到图像锐化。图像处理中最常用的差分工具就是梯度。
Roberts算子：
Prewitt算子：
Sobel算子：
二阶导数-拉普拉斯算子：
3.4.3 高提升滤波（High boost filter）
高提升滤波一般用于使得图片更加清晰。其步骤大致如下，首先将图片模糊化，然后从原图中，将其模糊形式去除。
从而得到图像的反锐化掩蔽，然后用将其叠加至原图上，从而使得图像更清晰。
当k=1的时候，这个操作称为反锐化掩蔽。当k>1时候，这个操作称为高提升滤波。
