引言
《图像与视频处理》第三章的内容，前半段是直方图讲解，后半段则是对图像一些简单滤波和增强处理的讲解，主要包括均值滤波、非局部均值滤波、中值滤波以及图像的增强。
从效果上来看，这些处理对图像的影响就是三方面：模糊、去噪和 增强。由于这些概念理解起来相对简单，并没有涉及到比较复杂的滤波器，所以我这里就合在一起说明。
以下为上面三种的滤波器简单对比
| 处理方法 | 作用 |
|---|---|
| 均值滤波 | 主要对图像进行平滑操作，去噪的同时容易引起图像模糊 |
| 非局部均值滤波 | 有很好的去噪效果，但是查找的过程运算量大 |
| 中值滤波 | 对椒盐噪声的过滤具有非常好的效果 |
均值滤波
均值滤波非常简单，其操作为：在需要操作的像素点上选择其邻域部分，如下图为3x3的矩形区域，对这些点求均值，结果代替原始像素点的值。
当然选择区域的大小、形状是可以根据实际需求修改的，不同位置的像素的加权权重也是可以修改的。
在openCV中提供均值滤波 blur函数，由于它是去除变化剧烈的高频部分，所以也可以算是低通滤波了。
python+openCV代码实现均值滤波如下：
1 | img2 = cv2.blur(img, (3,3)) |
上面的代码是在3x3的矩形框了求取的均值，如果需要设置权重，可以使用filter2D()函数。
均值处理后的图像如下：
非局部均值滤波
非局部均值滤波的原理是很简单的，即：选择处理的图像的小区，在整个图像上查找与区域相似度高的区域，对这些相似的区域对应点相加求平均，替换掉原来的值。
在这个过程中相似区域的查找是很关键的一部分，不同设计者的判断标准不一样，可能会导致最终的效果有好有坏；另外由于需要在整个查找相似的区域，计算量也相对会大一些。
中值滤波
中值滤波与均值滤波类似，也十分简单，只是将求平均值的操作变成了找中间数的操作。正是由于这样，中值滤波不会产生新的值，知识用其他pixel的值代替处理的pxiel值，所以对图像的影响会比均值的影响小。
中值滤波是非常简单且常用的滤波方法，它对椒盐噪声具有很强的滤波效果（椒盐噪声就是在图像上随机出现黑色白色的像素）。
openCV中提供 medianBlur函数来处理中值滤波，medianBlur函数要求它的参数中的矩形框为正奇数，python+openCV代码如下：
1 | img2 = cv2.medianBlur(img, 3) |
经过中值滤波后，图像如下：
边沿查找和图像增强
通过对离散二维图像的数据求二阶导数，可以找到图像中变化较大的像素点。通过对原图像中的这些像素点的值进行增强，可以达到增强图像的效果。