图像与滤波
一. 图像的基本概念
像素：一张图片在不停的放大到再也无法放大的时候，呈现在我们眼前的是一个个小的颜色块，这种带有颜色的小方块就可以被称为像素
格式：根据图像编解码算法的不同，我们经常可以看见图像文件有.jpg，.png，.bmp等不同的后缀
位深：在计算机中，为每个图像的像素分配的比特数。比如位深为8位，则每个像素的值范围为[0, 255]
颜色通道：在RGB颜色模型中，一个像素占有三个颜色通道，分别为R通道，G通道，B通道。灰度图的存储是一个二维数组的话，那么一张二维彩色图片就可以看成由三个二维数组构成。
灰度图：又称灰阶图，白色与黑色之间按对数关系分为若干等级，称为灰度，灰度分为[0, 255]共256阶，0表示纯黑，255表示纯白
二. 用波来描述图像
在数字图像处理过程中，Lena是一张被广泛使用的标准图片。为什么用这幅图？是因为这图的各个频段的能量都很丰富：既有低频（光滑的皮肤），也有高频（帽子上的羽毛），很适合来验证各种算法。上图：
在这张400x400的彩色照片中，每个像素都可以用RGBA四个通道来描述，每个通道的范围为[0, 255]，黑色为[0, 0, 0, 255]，白色为[255, 255, 255, 255]
如果用每一行上所有像素值的R，G，B值画三条线，Lena图的第一行结果如下图所示：
// 代码采用python3.7 + opencv + matplotlib
// idea采用PyCharm + Anaconda从曲线图上可以看到有四个地方波动剧烈，对照原图，可以发现波动剧烈的地方正是图像色彩突变的地方
这说明波动和图像是紧密联系的，图像可以使用各种色彩波的叠加来描述，波动大就表示色彩变化剧烈，波动小就表示色彩平滑
换一张图片再次测试一下，天空图的第一行RGB色彩曲线图为：
从原图中我们可以看到，第一行都是蓝色天空，整行的像素颜色通道的值曲线很平滑
如果我们取一半高度的这一行来看曲线图，可以知道必定有两次剧变的地方
三. 图像的频域表达
从上面的测试可以知道，色彩的波动可以用来描述图像信息，波动大，则图像色彩变化剧烈，波动小，则平滑过渡
频率是描述波动快慢的指标，单位时间内波动次数多，则频率高，反之则低
在这张天空背景的图片中，
如果按照频率进行划分的话，可以分为两个部分：
背景--天空：都是蓝色值，色值波动很小，振幅长，频率低； 前景--鸟：跟背景对比色差大，在Y轴上波动大，振幅短，频率高；
以合适的频率为分割线，我们很容易就能将背景和前景进行分割开来
在数字信号处理领域，要将时域信号转化为频域信号，需要用到大名鼎鼎的傅立叶变换。
傅立叶变换：将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合
如上图所示，黑色波形（时域信号）和所有的彩色波形（频域信号）描述的信息是等量的。可以看到在频域中，如果需要分割或者剔除某个频率的信号是很容的事情
图像中将像素数据转化为频率数据也是可以运用离散傅立叶变换的，不过由于傅立叶变换涉及到复数操作，较为复杂，尽管FFT可以提高运算速度，但是在实时图像编码的场景下还是非常不方便，所以在数字图像处理技术中，通常使用DCT离散余弦变换（如：在静止图像编码标准JPEG中，在运动图像编码标准MJPEG和MPEG的各个标准中都使用了DCT）
四. 常用滤波器
- 低通滤波器（lowpass）：减弱或者阻断高频信号，保留低频信号
- 高通滤波器（highpass）：减弱或者阻断低频信号，保留高频信号
低频信号表示图像色彩过渡平滑，当采用低通滤波器时，有利于图像去噪和模糊图像；
高频信号表示图像色彩变换剧烈，当采用高通滤波器时，有利于找到图像边界；
OpenCV提供了很多滤波器的实现，比如：中值滤波，双边滤波，均值滤波，高斯模糊等
下面的这个网站可以将滤波器拖到图像上，产生滤波效果，感兴趣的小伙伴可以尝试一下
https://fellipe.com/demos/lena-js/例如对lena运用高通滤波，效果如下：
参考资料
1.https://www.cnblogs.com/hanxiaosheng/p/9566320.html
2.https://blog.csdn.net/u012819339/article/details/82222008
3.https://www.bilibili.com/video/av19141078?from=search&seid=11648598076536911524
4.https://www.jianshu.com/p/9aea8db59572
5.http://www.ruanyifeng.com/blog/2017/12/image-and-wave-filters.html