滤波后：图像的像素是原始像素的组合
为什么这么做?
- 增强图像
- 例：移除噪点
- 例：锐化和增强图像
- 从图像中得到有用信息
- 例：提取轮廓或边界 (有助于理解形状)
关于滤波可以做到这些的解释(from Gemini3)
核心逻辑在于：利用图像中像素与周围像素的关系（空间相关性）。
之所以能做到你列出的这些（去噪、锐化、提取轮廓），是因为图像在数学本质 上是一个矩阵。我们通过一种叫做"卷积"（Convolution）的运算，用一个小矩阵（滤波器/核）去和图像矩阵做运算，从而改变像素的值。
这里的核心秘密在于：你想保留什么频率的信息？
1. 为什么能"移除噪点"？（平滑 / Smoothing）
核心原理： "少数服从多数" (平均化 / 积分)
- 现象： 噪点通常表现为像素值的突然跳变（比如一片黑色背景中突然出现一个白点）。这是一个高频信号。
- 怎么做： 我们使用一个低通滤波器（比如均值滤波器或高斯滤波器）。
- 数学逻辑：
- 想象一个 3×33\times33×3 的方框扫过图像。它把方框内 9 个像素的值加起来取平均值，然后用这个平均值替代中心像素。
- 因为噪点是孤立的，周围的正常像素占大多数。
- 一平均，噪点的极端值就被"拉平"了，融入了背景。
- 代价： 图像变模糊了（因为边缘也被"平均"掉了）。
2. 为什么能"提取轮廓或边界"？
核心原理： "寻找差异" (求导 / 微分)
- 现象： 什么是轮廓？轮廓就是颜色剧烈变化的地方（比如从白色的桌子到黑色的背景）。这种剧烈变化在数学上叫**梯度（Gradient）**大。
- 怎么做： 我们使用一个高通滤波器（比如 Sobel 算子或 Canny 算子）。
- 数学逻辑：
- 这类滤波器通常是一边正数、一边负数（例如左边是 -1，右边是 +1）。
- 如果在平坦区域（颜色一样），100×(−1)+100×1=0100 \times (-1) + 100 \times 1 = 0100×(−1)+100×1=0。结果是黑色。
- 如果在边缘区域（左黑右白），0×(−1)+255×1=2550 \times (-1) + 255 \times 1 = 2550×(−1)+255×1=255。结果是白色（亮线）。
- 这样，只有变化剧烈的地方被保留了下来，平坦的地方都变成了黑色。
3. 为什么能"锐化和增强图像"？
核心原理： "原图 + 轮廓"
- 现象： 图像看起来模糊，是因为边缘不够"陡峭"，过渡太温和。
- 怎么做： 锐化其实是上述两种操作的结合。
- 数学逻辑：
- 锐化后的图像=原图+(原图−平滑后的图) 锐化后的图像 = 原图 + (原图 - 平滑后的图) 锐化后的图像=原图+(原图−平滑后的图)
- 或者更简单理解：
- 锐化后的图像=原图+边缘（高频细节） 锐化后的图像 = 原图 + 边缘（高频细节）锐化后的图像=原图+边缘（高频细节）
- 我们先把边缘（轮廓）提取出来，然后把这个边缘叠加回原图上，让边界的黑更黑、白更白，人眼看起来就觉得图像变"清晰"了。
总结：一切都在于"邻居"
你之所以能对图像做这些操作，是因为你不仅仅看一个像素本身，而是看它和它邻居的数学关系：
- 想去噪？ 让像素变得像它的邻居（模糊/求平均）。
- 想找轮廓？ 找像素不像它邻居的地方（求差异/求导数）。
- 想锐化？ 放大像素与邻居的差异。
卷积与互相关
所谓两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动叠加。
卷积实际上就是互相关的翻转