由于线性滤波器块滤波器、平均滤波、yxdfs滤波、原始数据和滤波结果是线性算术运算，通过加减乘除等运算来实现，因此称为线性滤波。
非线性滤波中值滤波器、双边滤波器。 原始数据与滤波结果是逻辑关系，通过比较某一邻域内灰度值的大小来实现。
yxdfs噪声顾名思义是根据yxdfs分布(正态分布)的一种噪声，这通常是由于照明缺陷和温度引起的传感器噪声。 通常，在RGB图像中表现得很明显。 图：
椒盐噪声通常是由图像传感器、传输线、解压缩处理等产生的黑白间明暗点噪声[青椒黑、盐白]。 椒盐噪声多由图像的切割引起，去除脉冲噪声和椒盐噪声最常用的算法是中值滤波。
降噪是图像卷积运算的重要功能之一； 中值模板卷积对椒盐噪声的去除有较好的作用，但平均滤波降噪效果不佳。 关于yxdfs噪声，通过yxdfs滤波去除噪声。
使用Signal NoiseRate ()测量图像噪声。 图像的Signal NoiseRate应该等于信号和噪声的功率谱之比，但功率谱通常很难计算。 有一种近似估计图像的signalnoise和噪声方差比(实际上如果平均值为零，则功率为方差)的方法。 首先计算图像所有像素的局部方差，将局部方差的最大值看作信号方差，最小值看作噪声方差，求出它们的比并转换为dB数，最后用经验公式进行修正。
在灰度图像情况下，SNR=(清洁图像中的像素点的灰度值之和)/abs (噪声图像的灰度值之和-清洁图像中的灰度值之和)是该图像的信噪比。
如何在数字图像中添加椒盐噪声：
为了求出添加了噪声像素数NP=SP*(1-SNR )，指定取[ 0，1 ]的范围的值的SNR来计算总像素数sp，求出添加了噪声的像素数NP=SP*(1-SNR )，求出添加了噪声的各像素位置重复3，在4个步骤中对所有像素的NP个像素输出加上噪声的图像importcv2 importnumpyasnpfilename=' d :/1.jpg ' winname=' figure ' img=cv2 由于信噪比为SNR，噪声占10%。 因此，必须将噪波noisesize=int(size*(1-SNR ) )添加到10%，然后将噪波for k in range(0)添加到这些点获取img.shape[1] ) XJ=int ) NP.random.uniform ) 0，然后获取img.shape[0](#噪声if img.ndim==2: img[xj，Xi ] Xi]=0cv2.imshow img ) cv2.waitkey(0) def main ) : addSaltNoise ) if_name_=='_main_':main )的中值
注：如果数为偶数，则中值为中央两个数的平均值。 中值滤波是一种可以非常有效地去除少量异常像素值的滤波方法。
中值滤波在一定条件下可以克服一般的线性滤波，例如块滤波、均值滤波等引起的图像细节模糊，并且对消除脉冲噪声和图像扫描噪声非常有效，也常用于边缘信息的保护，用于保存边缘特性，实现边缘模糊
但是中值滤波器的缺点也很明显，因为要进行排序操作，所以需要5倍以上的平均滤波器的处理时间。
voidmedianblur(inputArraysrc，OutputArray dst，int ksize )； 输入图像src，输出图像dst和核的大小ksize。 请注意，这里的ksize如果不是正数奇数1、3、5、7……的话，程序会出错。
平均滤波求出模板内的像素平均，而不是像素值。
作为最常见的图像噪声消除方法之一的yxdfs滤波yxdfs滤波可以很好地消除随机产生的图像中的yxdfs噪声。 yxdfs滤波是低通滤波器，在去除图像中的噪声信号的同时，也使图像中的边缘信息平滑化，从而导致图像模糊。 yxdfs滤波会导致图像模糊，是因为在滤波过程中只关注位置信息。
在滤波器窗口中，越靠近中心点，权重越大。这种只关注距离的想法在某些情况下是可能的。 例如，在平坦区域中，距离越近，像素分布也越接近，当然这些点的像素值对于滤波中心点的像素值更有参考价值。 但是，在像素值急剧变化的边缘区域，该方法会相反，会丢失有用的边缘信息。 这时，双边滤波是最常用的边缘保护滤波方法，出现了——边缘保护滤波方法(
双边滤波对比的边缘保护滤波方法——引导滤波）。 双边滤波双边滤波的思想很简单，在yxdfs滤波的基础上加入了像素值权重项，也就是说既要考虑距离因素，也要考虑像素值差异的影响，像素值越相近，权重越大。
Python: cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst函数中的参数依次表示
src：输入图像，
d：滤波窗口的直径（函数注释中使用的是Diameter，那么很可能函数中选取的窗口是圆形窗口），
sigmaColor：像素值域方差，颜色空间的标准差，即灰度值相似性yxdfs函数标准差，一遍尽可能大。
sigmaSpace：空间域方差，以及边缘处理方式。一般尽可能小,参数越大，邻近像素将会在越远的地方mix
引导滤波引导滤波与双边滤波相似，同样具有保持边缘的特性，在引导滤波中，用到了局部线性模型，用如下图进行简单理解：
某函数上一点与其临近部分的点成线性关系，一个复杂的函数就可以用很多局部的线性函数来表示，当需要求该函数上某一点的值时，只需要计算所有包含该点的线性函数的值做平均即可。这种模型，在表示非解析函数上非常有用。
在滤波效果上，引导滤波和双边滤波差不多，在一些细节上，引导滤波较好。
引导滤波最大的优势在于，可以写出时间复杂度与窗口大小无关的算法，因此在使用大窗口处理图片时，其效率更高。
在图像去雾、图像抠图上均有相应的应用。
最不安的香菇乘滤波（WLS）
参考
1、https://blog.csdn.net/firstlai/article/details/77675344
2、https://blog.csdn.net/weixin_43194305/article/details/88959183?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.baidujs&dist_request_id=5df70368-b884-4333-9019-48a25179440b&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.baidujs
3、https://blog.csdn.net/tsfx051435adsl/article/details/78251739