影象預處理過程中，常常會遇到類似這樣問題：有沒有一個“好”的演算法？例如，有沒有一個好的邊緣檢測演算法，或者有沒有一個好的濾波演算法？但通常來說，沒有一個演算法能夠滿足通用性要求，每個演算法都有各自的特點。因此，對於這類問題，最先要問的是：我要解決什麼問題，為什麼我需要一個這樣的演算法？對於人造物體的檢測，可能需要邊緣檢測演算法，因為人造物體中，有規律的邊緣或直線比較常見，但需要調整一些引數；對於非人造物體，可能識別特徵或顏色更合適，這裡並不需要邊緣檢測。這篇文章介紹一下高斯濾波、中值濾波與雙邊濾波的基本特點，實際應用中可能會遇到的一些問題。

高斯濾波

高斯濾波是線性（Linear）濾波的一種，原理是針對影象中的每一個點（Pixel）與高斯核心（Kernel）進行卷積計算，並將計算結果相加，輸出到目標影象中。
高斯濾波的通用性與效能都比較好，並且由於是線性濾波，對於卷積計算過程，可以通過對Kernel的降維，使演算法的時間複雜度由n

中值濾波

中值濾波屬於非線性（Non-linear）濾波的一種。中值濾波使用一個圍繞當前畫素的矩形，查詢區域內畫素的中值（Median or Middle-Value），並用該中值替換矩形區域內的其它畫素點。中值濾波對於散射噪聲（Shot Noise）的處理比較理想，因為散射噪聲通常與周圍畫素值的差異非常大。但中值濾波的效能一般，因為演算法執行過程中，要使用中值對其它畫素進行替換。而且對於高斯噪聲的處理不理想，不過可以通過追加針對區域畫素最大值與最小值的忽略，來計算中值。

雙邊濾波

如果採用一個基於權重的Kernel和一個更好的排除演算法（如，中值濾波會導致影象的邊緣不清晰，因為中值的選擇很可能基於影象的背景畫素進行），會發生什麼？這個思路就是雙邊濾波的基本想法。雙邊濾波中，輸出畫素基於相鄰畫素的計算的權重值進行，而權重函式的係數基於一個Domain Kernel和Range Kernel計算而來。Domain Kernel通常是高斯Kernel，而Range Kernel用於計算相鄰畫素與中心畫素的相似度。雙邊濾波的效能不是特別好，但對於以上倆種濾波演算法來說，其重要的特點是能夠保持影象的邊緣清晰（高斯濾波會導致畫素移位），這在檢測應用中有重要的意義。