频率
狭义概念：频率是单位时间内完成周期性变化的次数。
广义概念：频率就是指一定时间内的变化次数。
信号处理中的函数自变量是时间；
数字图像处理的函数自变量不再是时间，而是换成了图像矩阵的像素灰度值。原来在信号处理中，从前一秒到后一秒，信号周期性变化的次数，就是频率；相应地，在数字图像处理中，从一个像素点到相邻的一个像素点，灰度值变化的多少，就是频率。
高频分量：就是频率值高，就是像素之间灰度变化大，这通常对应着图像区域边缘等；
低频分量：就是频率值低，就是像素灰度之间灰度变化小，这通常是图像中平坦的区域。
平滑滤波和锐化滤波
平滑滤波能去除高频分量，而锐化滤波能去除低频分量。
具体讲是：平滑滤波去处噪声，锐化滤波强化边缘、细节与周围的对比度。
平滑滤波主要包括：线性平滑滤波（方框滤波、均值滤波、高斯滤波等）、非线性平滑滤波（中值滤波、序统计滤波）。opencv中对应boxblur、blur、gaussianblur函数。
锐化滤波主要包括：线性锐化滤波（拉普拉斯算子、高频提升滤波）、非线性锐化滤波（基于梯度的锐化滤波、最大-最小锐化变换等）
注意 实际上对图像进行二维傅立叶变换得到频谱图，就是图像梯度的分布图。傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小（可以这么理解，图像中的低频部分指低梯度的点，高频部分相反）。一般来讲，梯度大则该点的亮度强，否则该点亮度弱。这样通过观察傅立叶变换后的频谱图，也叫功率图，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。
平滑滤波
线性平滑滤波
opencv现在有3个线性平滑滤波器：方框滤波、均值滤波、高斯滤波
先说均值滤波。均值滤波就是用指定大小的、元素全为1的模糊核，对原图进行卷积操作（其实，就是原图像中当前位置对应的核大小的区域，各个元素相加），然后除以核的元素个数。也可以理解为，其核为：元素全为1、系数为元素个数的矩阵。
然后是方框滤波。是均值滤波的推广：元素全为1、系数为alpha的矩阵。alpha等于核的个数时，就是均值滤波；否则一般取1（哦，为什么要搞这么大？难道不会超出255麻？）
再看高斯滤波。前面两个滤波的核（也叫模板），元素值都只有一种。如果模板的元素不只一种，就是加权线性滤波了。
高斯滤波是加权线性滤波的一种，准确说是：模板元素的分布符合二次高斯分布。高斯分布其实就是正态分布。因为一般认为噪声的分布都符合高斯分布，那么去噪也用符合高斯分布的模板，效果会比较好。
通过为GaussianBlur函数传入sigmaX,sigmaY,size等参数，函数能生成相应的符合高斯分布的模板。然后对原图像和模板进行卷积操作，就得到滤波后的图像。
非线性平滑滤波
opencv现在有2个非线性平滑滤波：中值滤波和双边滤波
中值滤波：模板限定区域内，取像素灰度的中值（我理解为中位数），作为计算结果。中值滤波的效果是，让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，消除了信号序列（这里是模板框定范围内像素点灰度值）的孤立点。因为不是简单的取均值，产生的模糊更少些，通常能比均值滤波更好地保持图像的细节。
锐化滤波
主要包括：线性锐化滤波（拉普拉斯算子、高频提升滤波）、非线性锐化滤波（基于梯度的锐化滤波、最大-最小锐化变换等）
线性锐化滤波可以借助模板卷积实现。对应积分运算的模板卷积可以平滑图像，反过来对应微分运算的模板卷积可以锐化图像。锐化模板系数的取值，应该在中心为正而周围远离中心处为负。
