圖像平滑 == 消除噪聲 == 模糊丟失細節 == 低通濾波：儘量不損害圖像的邊緣細節
抑制圖像高頻部分，增強低頻部分(噪聲一般分佈在高頻部分)，也就相當於低通濾波
步驟：根據需求選取濾波方法(不同的模板) --------> 模板與原圖像卷積
（1） 線性濾波：
均值濾波：去除週期性的干擾噪聲，模板權值相同，圖像邊緣細節丟失嚴重，容易造成圖像模糊
高斯濾波：消除高斯噪聲(正太分佈的噪聲)，注意選擇合適的 sigma 和模板大小，一般情況下sigma=2，N=7效果最好
說明：(i,j)=(x,y)：像素位置 / 2K+1=模板大小
引入高斯函數 ---------------------- 離散高斯卷積覈計算方式(空間距離決定權值)
------
其中 sigma 越大，頻帶越寬，平滑(模糊)效果越好
（2） 非線性濾波：
中值濾波：消除椒鹽噪聲(脈衝噪聲--隨機的黑白噪聲點)，取模板中的中間像素值，有效保護邊緣細節
雙邊濾波：保留邊緣細節的高斯濾波，同時考慮像素空間差異與像素變化強度差異，共同決定權值
步驟：計算空間權值----計算灰度值差值權值------相加確定權值
高斯濾波器(空間距離決定權值,W(i,j)=H(i,j)) ---------------------------------- 雙邊濾波器(I表示像素值)
------
表明在強度差距大的地方（邊緣），權重會減小，濾波效應也就變小
聯合雙邊濾波：
步驟：計算空間權值-----圖像平滑，根據平滑得到的圖像計算灰度值差值權值------相加確定權值
-----與原圖進行卷積
導向濾波(引導濾波)：
相關定義：
局部線性模型：某函數上一點與其鄰近部分的點成線性關係，一個複雜的函數就可以用很多局部的線性函數來表示，當需要求該函數上某一點的值時，只需計算所有包含該點的線性函數的值並做平均即可。
（1）假設該函數在一個二維窗口內某點像素的輸出與輸入滿足線性關係，如下：
q 是輸出圖像，I 是輸入的引導圖像，i和k是像素索引，a和b是當窗口中心位於k時該線性函數的係數
（2）那麼要求的最終的輸出圖像，還需要求得每個窗口所對應的線性函數的係數
利用條件：我們要使得求得輸出值 
使用擬合函數：擬合函數是用於曲線擬合的函數。擬合是指已知某若干離散函數值{f1,f2,…,fn}，通過調整該函數中的若干待定係數f(λ1,λ2,…,λn)，使得該函數與已知點集的差別(最小二乘的意義)最小。
-----這裏利用最小二乘法進行擬合 最小二乘法參考：https://blog.csdn.net/ccnt_2012/article/details/81127117
得到：
其中，a之前的係數（以後都寫爲e）用於防止求得的a過大
計算得到：
其中，
（3）在計算每個窗口的線性係數時，我們可以發現一個像素會被多個窗口包含，也就是說，每個像素都由多個線性函數所描述。因此，如之前所說，要具體求某一點的輸出值時，只需將所有包含該點的線性函數值平均即可，最終求得結果像素值如下：
（4）結論：當把引導濾波用作邊緣保持濾波器時，往往有 I = p ，如果e=0，顯然a=1, b=0是E(a,b)爲最小值的解，從上式可以看出，這時的濾波器沒有任何作用，將輸入原封不動的輸出。如果e>0，在像素強度變化小的區域（或單色區域），有a近似於（或等於）0，而b近似於（或等於），即做了一個加權均值濾波；而在變化大的區域，a近似於1，b近似於0，對圖像的濾波效果很弱，有助於保持邊緣。而e的作用就是界定什麼是變化大，什麼是變化小。在窗口大小不變的情況下，隨着e的增大，濾波效果越明顯。