空域滤波是基于邻域处理的增强方法，直接在图像所在的二维空间进行处理，即对每一个像素的灰度值进行处理。它应用某一模版对每个像素与其周围邻域的所有像素进行某种数学运算得到该像素的灰度值，新的灰度值的大小不仅域该像素的灰度值有关，而且还与其领域内的像素值值的灰度有关。
空域滤波是在图像空间通过邻域操作完成的，最常用的运算是模版运算，基本思路是将某个像素的值作为它本身的灰度值和其相邻像素灰度值的函数。模版可以看作是 n＊n 的小图像，最基本的尺寸为 3 * 3 ，更大的尺寸如 5 * 5 ，7 * 7，最常用的是卷积模版，其基本步骤如下：
（1）将模板在图中漫游，并将模板中心与图中某个像素位置重合。
（2）将模板上的各个像素与模板下的各对应像素的灰度值相乘。
（3）将所有乘积相加（为保持图像的灰度范围，常常将灰度值除以模版中像素的个数）得到的结果赋给图中对应模板中心位置的像素。
如下3 * 3 的像素区域R与模版G的卷积运算：
R5(中心像素)=1/9(R1G1 + R2G2 + R3G3 + R4G4 + R5G5 + R6G6 + R7G7 + R8G8 + R9G9)
使用卷积模版时候，常常会碰到边界问题：当处理图像边界像素时，卷积模版与图像使用区域不能匹配，卷积核的中心与边界像素点对应，卷积运算将出现问题。常用的处理办法有：
A． 忽略边界像素，即处理后的图像将丢掉这些像素。
B． 保留原边界像素，即copy边界像素到处理后的图像。
借助模版进行空域滤波，可使原图像转换为增强图像，模版系数不同，得到不同的增强效果，从处理效果上可以把空域滤波分为平滑空域滤波和锐化空域滤波。
1.平滑滤波
平滑滤波能减弱或消除图像中高频率的分量，但不影响低频率的分量。因为高频分量对应图像中的区域边缘等灰度值具有较大、变化较快的部分，平滑滤波将这个分量滤除可以减少局部灰度的起伏，使图像变得平滑。经常用于模糊处理和减小噪声。
1.1 线性平滑滤波
线性平滑滤波所用的卷积模板均为正值，分为邻域平均和加权平均两种。
邻域平均：将原图中一个像素的灰度值和它周围邻近的像素的灰度值相加，然后将求得的平均值作为新图中该像素的灰度值。设
为给定的含有噪声的图像，经过邻域平均处理后的图像为
，则
，M是所取邻域中各邻近像素的坐标， 是邻域中包含的邻近像素的个数。邻域平均法的模板为：
中间的黑点表示以该像素为中心元素，即该像素是要进行处理的像素。在实际应用中，也可以根据不同的需要选择使用不同的模板尺寸，如3×3、5×5、7×7、9×9等。
邻域平均处理方法是以图像模糊为代价来减小噪声的，且模板尺寸越大，噪声减小的效果越显著。如果是噪声点，其邻近像素灰度与之相差很大，采用邻域平均法就是用邻近像素的平均值来代替它，这样能明显消弱噪声点，使邻域中灰度接近均匀，起到平滑灰度的作用。因此，邻域平均法具有良好的噪声平滑效果，是最简单的一种平滑方法。
加权平均：对于同一尺寸的模板，对不同位置的系数采用不同的数值，一般认为离对应模板中心像素近的像素应对滤波有较大的贡献，所以系数较大；而模板边界附近的系数应比较小。
1.2 非线性平滑滤波
线性滤波在消除图像噪声的同时也会模糊图像的细节，利用非线性平滑滤波可在消除图像中噪声的同时较好的保持图像的细节。最常用的非线性滤波是中值滤波。
中值滤波的基本步骤是：
（1）将模板在图中漫游，并将模板中心与图中某个像素位置重合；
（2）读取模板下各对应像素的灰度值；
（3）将这些灰度值从小到大排成一列；
（4）找出这些灰度值里排在中间的一个；
（5）将这个中间值赋给对应模板中心位置的像素。
2. 锐化滤波
锐化滤波能减弱或消除图像中的低频分量，但不影响高频分量。因为低频分量对应图像中灰度值缓慢变化区域，因而与图像的整体特性如整体对比度和平均灰度值有关。锐化滤波能使图像反差增加，边缘明显，可用于增强图像中被模糊的细节或景物边缘。
2.1 线性锐化滤波
线性锐化滤波也可以使用卷积来实现，但是所用模板与线性平滑滤波不同，线性锐化滤波的模板仅中心系数为正，而周围系数均为负值。当用这样的模板与图像卷积时，在图像灰度值为常数或变化很小的区域，其输出为0或很小；在图像变化较大的区域，其输出也会比较大，即原图像中的灰度变化突出，达到锐化效果，或者说可以锐化模糊的边缘并让模糊的景物清晰起来。
本文转自：CSDN - green_master的博客，转载此文目的在于传递更多信息，版权归原作者所有。
原文链接：https://blog.csdn.net/green_master/article/details/52490515
