1.锐化：锐化和边缘检测很相似，首先找到边缘，然后把边缘加载到原来的图像上,这样就强化了图像的边缘，使得图像看起来更加锐利了
2.灰度图： 把白色与黑色之间按对数关系分为若干等级，称为灰度。灰度分为256阶。用灰度表示的图像称作灰度图
3.二值图： 图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。 将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像[1]
。
4.卷积：也就是滤波的基础，通过卷积和与目标图像的运算可以有效方便的进行滤波；卷积有几点注意的：卷积核最好是奇数，这样才是有中心，
卷积核的里面的所有元素之和为1，这样可以保持亮度不变，大于1则更亮，小于1则变暗，=0则变暗但是不会变黑；
有两种在空域和频域，空域则可直接进行运算，而频域则需要先转为频域再进行运算；

5.滤波：也就是对信号里面的噪声的抑制，目的就是方便有效的提取特征；常见的滤波有五种领域均值滤波：当前像素和领域矩形的值取平均；均值模糊有个缺点就是不平滑；
6.高斯滤波：高斯滤波就是对整副图像的每隔像素点加权平均的，高斯滤波对于抑制服从正态分布的噪声比较有效；像素的颜色不仅由自身决定，同时也与周围的像素加权决定，客观上减少了和周围像素的差异，同时这些权重满足了越近权重越大的规律，从理论上权重的分布符合高斯分布；
1.高斯滤波的几个比较有效的性质：二维高斯函数具有旋转对称性；即滤波器在各个方向上的滤波或者平滑效果都是一样的
2.高斯函数是单值函数：也就是符合高斯分布，距离越近相关性越大，若是越远相关性仍然很大这样图像就会失真；
3.高斯函数的傅里叶变换是单瓣的：高斯函数的傅里叶变换等于高斯函数；图像常被不希望的高频信号所污染（噪声和细纹理），而希望图像的特征（如边缘）既包含低频分量也包含高频分量；
4.高斯滤波器宽度（决定平滑程度）由 σ表征的，σ越大，高斯滤波器的频带就越宽，平滑程度就越好，
5.高斯函数的可分离性：较大尺寸的滤波器的一比较方便的实现，二维高斯函数的卷积分为两步来进行，首先将图像与一维的高斯函数进行卷积，卷积得到的结果在与垂直方向上的同一维函数进行卷积，因此二维高斯滤波的计算量，随着宽度的增长是线性的而不是平方增长；

总结：高斯滤波是一个低通的滤波器，像素的决定不仅由自身而且与周围的像素点有关，相关性高斯分布；使用比较频繁的一个函数；

7.方框滤波：
8.中值滤波：中值滤波可以消除图像中的长尾噪声，例如负指数噪声和椒盐噪声，在消除噪声的时候中值滤波对噪声的影响极小，中值滤波实际上用模板内包括灰度值在内的中值来取代模板中心像素的灰度

9.双边滤波：

10.傅里叶分析：傅里叶级数和傅里叶变换，在时域不可能完成的操作，可能在频域较为方便，需要傅里叶变换，尤其是在从某条曲线上面去除一些特定频率的成分；在频域对于滤波很好处理；
1.傅里叶级数：也就是将在时域或者空域是一个周期且连续的函数在频域是一个非周期离散的函数
2.傅里叶转换：将一个在时域非周期连续的信号转换为一个在频域也是非周期连续的信号；

11.图像形态学：形态学操作就是基于形状的一系列图形处理操作， OpenCV为进行图像的形态学变换提供了快捷、方便的函数。最基本的形态学操作有二种，他们是：膨胀与腐蚀(Dilation与Erosion)。
1.膨胀与腐蚀能实现多种多样的功能，主要如下：消除噪声
分割(isolate)出独立的图像元素，在图像中连接(join)相邻的元素。寻找图像中的明显的极大值区域或极小值区域求出图像的梯度
2.腐蚀和膨胀是对白色部分（高亮部分）而言的，不是黑色部分。膨胀就是图像中的高亮部分进行膨胀，“领域扩张”，效果图拥有比原图更大的高亮区域。腐蚀就是原图中的高亮部分被腐蚀，“领域被蚕食”，效果图拥有比原图更小的高亮区域。
3.膨胀
膨胀就是求局部最大值的操作。 核B与图形卷积，即计算核B覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素。这样就会使图像中的高亮区域逐渐增长。
4.腐蚀与膨胀刚好相反，是求局部最小值的操作；
5.开运算其实就是先腐蚀后膨胀的过程
6.闭运算其实就是先膨胀后腐蚀的过程
7.形态学梯度膨胀图和腐蚀图之差
8.顶帽原图与开运算的结果图之差
9.黑帽闭运算的结果图与原图的之差