本文共 1949 字，大约阅读时间需要 6 分钟。
☞ ░ ░
注：本文转自大神阮一峰的网络日志《》
我对图像处理一直很感兴趣，曾经写过好几篇博客（1，2，3，4）。
前几天读到一篇文章，它提到图像其实是一种波，可以用波的算法处理图像。我顿时有一种醍醐灌顶的感觉，从没想到这两个领域是相关的，图像还可以这样玩！下面我就来详细介绍这篇文章。
一、为什么图像是波？
我们知道，图像由像素组成。下图是一张 400 x 400 的图片，一共包含了 16 万个像素点。
每个像素的颜色，可以用红、绿、蓝、透明度四个值描述，大小范围都是0 ～ 255，比如黑色是[0, 0, 0, 255]，白色是[255, 255, 255, 255]。通过 Canvas API 就可以拿到这些值。 如果把每一行所有像素（上例是400个）的红、绿、蓝的值，依次画成三条曲线，就得到了下面的图形。
可以看到，每条曲线都在不停的上下波动。有些区域的波动比较小，有些区域突然出现了大幅波动（比如 54 和 324 这两点）。 对比一下图像就能发现，曲线波动较大的地方，也是图像出现突变的地方。
这说明波动与图像是紧密关联的。图像本质上就是各种色彩波的叠加。 二、频率
综上所述，图像就是色彩的波动：波动大，就是色彩急剧变化；波动小，就是色彩平滑过渡。因此，波的各种指标可以用来描述图像。
频率（frequency）是波动快慢的指标，单位时间内波动次数越多，频率越高，反之越低。
所以，色彩剧烈变化的地方，就是图像的高频区域；色彩稳定平滑的地方，就是低频区域。
三、滤波器
物理学对波的研究已经非常深入，提出了很多处理波的方法，其中就有滤波器（filter）：过滤掉某些波，保留另一些波。
下面是两种常见的滤波器 。
- 低通滤波器（lowpass）：减弱或阻隔高频信号，保留低频信号
- 高通滤波器（highpass）：减弱或阻隔低频信号，保留高频信号
下面是低通滤波的例子。
下面是高通滤波的例子：
上图中，黄线是原始的波形，蓝线是高通滤波highpass后的波形。可以看到，黄线的三个波峰和两个波谷（低频波动），在蓝线上都消失了，而黄线上那些密集的小幅波动（高频波动），则是全部被蓝线保留。 再看一个例子。
上图中，绿线进行低通滤波和高通滤波后，得到两根黑色的曲线，它们的波形跟原始的黄线和红线是完全一致的。 四、图像的滤波
浏览器实际上包含了滤波器的实现，因为 Web Audio API 里面定义了声波的滤波。这意味着可以通过浏览器，将lowpass和highpass运用于图像。
lowpass使得图像的高频区域变成低频，即色彩变化剧烈的区域变得平滑，也就是出现模糊效果。
上图中，红线是原始的色彩曲线，蓝线是低通滤波后的曲线。 highpass正好相反，过滤了低频，只保留那些变化最快速最剧烈的区域，也就是图像里面的物体边缘，所以常用于边缘识别。
上图中，红线是原始的色彩曲线，蓝线是高通滤波后的曲线。 下面这个网址，可以将滤波器拖到图像上，产生过滤后的效果。
更多图像处理的介绍请参考专栏《》和《》相关文章。
更多图像处理的数学基础知识请参考专栏《》
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
如果对文章内容存在疑问，可以在博客评论区留言，或关注：老猿Python 微信公号发消息咨询。
关于老猿的付费专栏
- 付费专栏《专门介绍基于Python的PyQt图形界面开发基础教程，对应文章目录为《 》；
- 付费专栏《)详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理，对应文章目录为《》；
- 付费专栏《》为《》的伴生专栏，是笔者对OpenCV-Python图形图像处理学习中遇到的一些问题个人感悟的整合，相关资料基本上都是老猿反复研究的成果，有助于OpenCV-Python初学者比较深入地理解OpenCV，对应文章目录为《》
- 付费专栏《站在一个互联网前端开发小白的角度介绍爬虫开发应知应会内容，包括爬虫入门的基础知识，以及爬取CSDN文章信息、博主信息、给文章点赞、评论等实战内容。
前两个专栏都适合有一定Python基础但无相关知识的小白读者学习，第三个专栏请大家结合《》的学习使用。
对于缺乏Python基础的同仁，可以通过老猿的免费专栏《）从零开始学习Python。
如果有兴趣也愿意支持老猿的读者，欢迎购买付费专栏。
跟老猿学Python！
☞ ░ ░
转载地址：http://uab.baihongyu.com/