簡介
過濾是信號和圖像處理中基本的任務。其目的是根據應用環境的不同，選擇性的提取圖像中某些認爲是重要的信息。
過濾可以移除圖像中的噪音、提取感興趣的可視特徵、允許圖像重採樣，等等。
當我們觀察一張圖片時，我們觀察的是圖像中有多少灰度級（或顏色）及其分佈。根據灰度分佈的不同來區分不同
的圖像。
頻率域分析，是將圖像分成從低頻到高頻的不同部分。低頻對應圖像強度變化小的區域，而高頻是圖像強度變化非常
大的區域。比如圖像中的灰度變化。
在頻率分析領域的框架中，濾波器是一個用來增強圖像中某個波段或頻率並阻塞（或降低）其他頻率波段的操作。
低通濾波器是消除圖像中高頻部分，但保留低頻部分。
高通濾波器消除低頻部分。
原理及用途
平滑 也叫 模糊，是一項簡單且使用頻率很高的圖像處理方法。
平滑處理的用途有很多，它不僅僅減少噪聲的功能。
平滑處理時需要用到一個 濾波器。最常用的濾波器是 線性濾波器，線性濾波處理的輸出像素值（i.e.g(i,j)）是輸入
像素（i.e.f(i + k,j + l)）的加權和：
h(k,l) 稱爲 核, 它僅僅是一個加權係數。把 濾波器 想象成一個包含加權係數的窗口，當使用這個濾波器平滑處理圖像時，就把這個窗口滑過圖像。
常用濾波器:
一： 歸一化塊濾波器 (Normalized Box Filter)
最簡單的濾波器， 輸出像素值是核窗口內像素值的 均值 ( 所有像素加權係數相等)
核如下:
二：高斯濾波器 (Gaussian Filter)
最有用的濾波器 (儘管不是最快的)。 高斯濾波是將輸入數組的每一個像素點與 高斯內核 卷積將卷積和當作輸出像素值。
還記得1維高斯函數的樣子嗎?
假設圖像是1維的,那麼觀察上圖，不難發現中間像素的加權係數是最大的， 周邊像素的加權係數隨着它們遠離中間像素的距離增大而逐漸減小。
2維高斯函數可以表達爲 :
其中 \mu 爲均值 (峯值對應位置)， \sigma 代表標準差 (變量 x 和 變量 y 各有一個均值，也各有一個標準差)
三： 中值濾波器 (Median Filter)
中值濾波將圖像的每個像素用鄰域 (以當前像素爲中心的正方形區域)像素的 中值 代替 。
四：雙邊濾波 (Bilateral Filter)
目前我們瞭解的濾波器都是爲了 平滑 圖像， 問題是有些時候這些濾波器不僅僅削弱了噪聲， 連帶着把邊緣也給磨掉了。
爲避免這樣的情形 (至少在一定程度上 ), 我們可以使用雙邊濾波。
類似於高斯濾波器，雙邊濾波器也給每一個鄰域像素分配一個加權係數。 這些加權係數包含兩個部分, 第一部分加權方式
與高斯濾波一樣，第二部分的權重則取決於該鄰域像素與當前像素的灰度差值。
詳細參考： OpenCV 官方文檔
本文參考和轉載：
http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/tutorials/imgproc/gausian_median_blur_bilateral_filter/gausian_median_blur_bilateral_filter.html#smoothing
http://blog.csdn.net/sunny2038/article/details/9155893