传统经典CV算法_图像高/低通滤波概念详解_高低值滤波

在进行计算机视觉任务时，我们经常要进行图像数据的预处理。

比如对图像进行一些降维、降噪、几何变换等操作，为后续的任务进行提供高质量的数据。

而滤波操作就是一个非常实用的图像数据预处理方法。滤波是是一个信号处理领域的概念，而图像本身也可以看成是一个二维的信号，其中像素点灰度值的高低代表信号的强弱。

其中高低频在图像中的意义如下所示：

1. 高频：图像中灰度变化剧烈的点，一般是图像轮廓或者是噪声。
2. 低频：图像中平坦的、变化不大的点，也就是图像中的大部分区域。

根据图像的高频与低频的特征，我们可以设计相应的高通与低通滤波器，高通滤波器可以检测图像中尖锐的、变化明显的地方。而低通滤波器可以让图像变得更光滑，去除图像中的噪声。

常见的低通滤波器有：线性的均值滤波器、高斯滤波器、非线性的双边滤波器、中值滤波器。

常见的高通滤波器有：Canny算子、Sobel算子、拉普拉斯算子等边缘滤波算子。

在实际工程应用中，我们在做边缘检测的时候，我们需要进行低通滤波来降噪，这里就需要调节参数在保证高频的边缘不丢失的前提下尽可能的多去除图片的噪点。