题目：大规模图像中的目标检测与分类方法
在进行图像目标识别与跟踪时，摄像机所采集的图像，在成像、数字化以及传输过程中，难免会受到各种各样噪声的干扰，图像的质量往往会出现不尽人意的退化，影响了图像的视觉效果。通常这些噪声干扰使得图像退化，表现为图像模糊，特征淹没，这会对图像分析产生不利，使所获得的图像质量较低。对这样的图像直接进行目标的识别与跟踪是比较困难的。抑制使图像退化的各种干扰信号、增强图像中的有用信号，以及将观测到的不同图像在同一约束条件下进行校正处理就显得非常重要。
滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
高斯滤波是一种线性平滑滤波，适用于滤除高斯白噪声，已广泛应用于图像处理的预处理阶段。按照本人的理解，对图像进行高斯滤波就是对图像中的每个点的像素值计算，计算的准则是，由该点本身灰度值以及其邻域内的其他像素灰度值加权平均所得，而加权平均的权系数由二维离散高斯函数采样并归一化后所得。
均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），即g（x，y）=1/m ∑f（x，y）， m为该模板中包含当前像素在内的像素总个数。这样的方法可以平滑图像，速度快，算法简单。但是无法去掉噪声，这能微弱的减弱它。
双边滤波是一种可以保边去噪的滤波器。之所以可以达到这样的效果，是因为该滤波器是由两个函数构成，一个函数是由几何空间距离决定滤波器系数，另外一个由像素差决定滤波器系数。
在前面几种讲述的滤波方法中，像素点的灰度值均是由该点邻域内其他点的灰度值决定的，比如高斯滤波和均值滤波都可看作是加权平均，中值滤波取的是邻域灰度中值。双边滤波则不但考虑邻域范围内点的灰度值，同样考虑这些点距离中心点的几何距离，这样可以得到滤波后的点的灰度值表达公式为：
其中k为归一化系数，其表达式为：
h和x分别为滤波后和滤波前对应点的灰度值
c表示中心点与其邻域内点的空间相似度
s表示中心点与其邻域内点的灰度相似度。
在实现过程中，c和s函数均可用高斯函数实现，即其定义如下：
就增强来说，最关心的是一副图像灰度的平均值和方差（平均对比度的量度）。
判断一个点是暗还是亮的方法是把局部平均灰度和图像平均灰度进行对比。
滤波的概念来源于在频率域对比信号进行处理的傅里叶变换。
非线性空间的滤波是基于领域处理的。
平滑空间滤波器用于模糊处理和减小噪音。
锐化空间滤波器，拉普拉斯算子。
