图像空域平滑算法

基于空间相领像素点的平滑算法是图像处理里面经常用到的去噪算法。
它的核心思想是：选择当前像素点c和其周围的一些像素{c, n1, n2, ..., nN}（共N+1个像素点），根据他们与c的距离和/或与c的像素差值，赋予他们不同的权重{w0, w1, w2, ..., wn}（要求0<wi<=1并且w0+w1+w2+...+wN=1, w0是当前点c的权重值），那么平滑后当前点的像素值为C' = w0*c + w1*n1 + ... + wN*nN.这种运算方式可以称为加权平均，也可以称为卷积。
空域平滑算法就是不同权重值的卷积运算，卷积运算需要注意的问题1是计算量，2是数据搬移量。3x3的卷积运算，一个像素会被其周边9个点的计算过程用到，在有较大Cache的体系里面还好，如果没有cache或者cache比较小，那么就会造成重复的数据在内外存之间搬移。因此要尽量减少卷积运算核的大小，尤其是垂直方向上的纬度大小（图像数据绝大部分都是按照水平方向存储的）。
不同的空域平滑算法就是在N值和wi的选择上不同而已。

1. 均值滤波
N取周边的3x3或者5x5或者更大的或者不是矩形的模板，C'是模板内所有点的平均值。
各点的权重wi相同都为1/(N+1)。均值滤波算法简单，但滤波效果不好，还模糊的了图像细节，一般都不采用。

2. 中值滤波
N取周边的3x3或者5x5或者更大的或者不是矩形的模板，C'是模板内所有点的中间值。
wi = ni是排序后中值点 ? 1 : 0。中值滤波对孤立点的椒盐噪声特别有效，而且可以保护图像边缘，是一种经典的平滑滤波算法。但对其他的一些噪声，效果并不太好，所以也很少采用。

3. 高斯滤波
N取周边的3x3或者5x5或者更大的或者不是矩形的模板，C'是模板内所有点高斯加权的结果。
wi的取值特征是考虑ni点与c点的距离。离c点越近的点，赋予的权重越大，反之越远的点，权重越低。在2维空间上类似一个钟形，符合高斯函数的特征。因此这类的滤波算法统称为高斯滤波。高斯滤波的计算量适中，对于各种噪声都能有一个不一定是最好但可以接受的结果，因此在图像处理大量采用。
高斯滤波的核心是高斯核，