图像与波有什么关系吗，为什么图像处理中常常有滤波的操作？这个问题困扰我很久了。直到我看到了链接中的文章，一切谜底都有了答案。。。
波与图像
图像的本质是各种颜色的波的叠加，图像是由于各个像素点组成的，而每个像素点的颜色，可以用红、绿、蓝、透明度四个值描述，每个值用一个字节8位表示，因此每个值得取值范围是0~255,比如黑色是[0, 0, 0, 255]，白色是[255, 255, 255, 255]。通过 Canvas API 就可以拿到这些值。
如果把每一行所有像素（上例是400个）的红、绿、蓝的值，依次画成三条曲线，就得到了下面的图形。
可以看到，每个像素点中红绿蓝的值组成了三条上下波动的曲线，有些区域的波动比较小，有些区域突然出现了大幅波动（比如 54 和 324 这两像素点）。
对比一下图像就能发现，曲线波动较大的地方，也是图像出现突变的地方。
这说明波动与图像是紧密关联的。图像本质上就是各种色彩波的叠加。
频率
频率（frequency）是波动快慢的指标，单位时间内波动次数越多，频率越高，反之越低。
上图是函数sin(Θ)的图形，在2π的周期内完成了一次波动，频率就是1。
上图是函数sin(2Θ)的图形，在2π的周期内完成了两次波动，频率就是2。
所以，色彩剧烈变化的地方，就是图像的高频区域；色彩稳定平滑的地方，就是低频区域。
滤波
综上所述，图像就是色彩的波动：波动大，就是色彩急剧变化；波动小，就是色彩平滑过渡。因此，波的各种指标可以用来描述图像。在图像处理中经常有用到图像滤波，滤波的目的是：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。在滤波中一般会用到滤波器，关于滤波器，一种形象的比喻是：把他想象成包含一个加权系数的窗口，每种窗口都有不一样的加权系数构成，通过这个窗口来看我们的图像，这时各个窗口的图像展示会有不一样的效果。就好像我们带着不同的有色眼镜看风景，看到的效果各不相同。
滤波，从某条曲线中去除一些特定的频率成分，这在工程上称为滤波，是信号处理最重要的概念之一，只有在频域才能轻松的做到。物理学对波的研究已经非常深入，提出了很多处理波的方法，其中就有滤波器（filter）：过滤掉某些波，保留另一些波。
常见的滤波器有低通滤波器和高通滤波器
下面是低通滤波的例子。
上图中，蓝线是原始的波形，绿线是低通滤波lowpass后的波形。可以看到，绿线的波动比蓝线小很多，非常平滑。
下面是高通滤波的例子。
上图中，黄线是原始的波形，蓝线是高通滤波highpass后的波形。可以看到，黄线的三个波峰和两个波谷（低频波动），在蓝线上都消失了，而黄线上那些密集的小幅波动（高频波动），则是全部被蓝线保留。
再看一个例子。
上图有三根曲线，黄线是高频波动，红线是低频波动。它们可以合成为一根曲线，就是绿线。
上图中，绿线进行低通滤波和高通滤波后，得到两根黑色的曲线，它们的波形跟原始的黄线和红线是完全一致的。
lowpass使得图像的高频区域变成低频，即色彩变化剧烈的区域变得平滑，也就是出现模糊效果。
上图中，红线是原始的色彩曲线，蓝线是低通滤波后的曲线。
highpass正好相反，过滤了低频，只保留那些变化最快速最剧烈的区域，也就是图像里面的物体边缘，所以常用于边缘识别。
上图中，红线是原始的色彩曲线，蓝线是高通滤波后的曲线。
如下是图像经过高斯滤波后的图片和其对应RGB三色波形图。
