线性滤波
理论
线性滤波就是使用卷积，将卷积核在图像上进行平移，然后依次求卷积，我们将卷积核所覆盖的范围的中心设置为卷积的值。这样就可以得到图像中每一个像素的卷积值，对于图像边缘则可以使用置零或者延伸等等来处理。
opencv实现
cv.filter2D()是opencv提供的一个用于处理卷积的函数
参数：
dst = cv.filter2D(src, ddepth, kernel, anchor, delta, borderType)
- src: 原图像
- ddepth: 官方参考， 默认为-1, 即输出图像与原图像深度相同。
- kernel: 卷积核
- anchor: 内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。(我还不知道他有什么用)
- detal: 在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
- borderType: 像素外推法， 也就是我们对一个图像中边缘位置的处理方式。官方文档
高斯滤波
理论
高斯核在滤波中是更好的选择。他是低通滤波器，可以将图像中的噪声很好的去掉，起到图像平滑的作用
一维高斯函数
一般来说，二维高斯函数是：
opencv实现高斯模糊
cv.GaussianBlur()是Opencv提供的一个直接进行高斯模糊的函数
cv.getGaussianKernel()则是Opencv提供进行计算高斯核的函数, 但是他所计算的高斯核，是一个一维高斯核，一般高斯卷积还是使用GaussianBlur()。
dst = cv.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType)
参数:
- src: 原图像
- ksize： 高斯核的尺寸，高斯核的高度和宽度可以不一样，但是必须是正数和奇数
- sigmaX: x方向上的高斯核标准差
- sigmaY：y方向上的高斯核标准差， 如果sigmaY为0，则设置为sigmaX， 如果均为0,则有ksize计算得出。
- borderType： 像素外推法。
dst = cv.getGaussianKernel(ksize, sigma, ktype)
参数：
- ksize：高斯核尺寸，必须是正数和奇数
- sigma：高斯核标准偏差
- ktype： 高斯核类型，可以为CV_32F和CV_64F
阈值处理
dst = cv.threshold(src, thresh, maxval, type)
参数：
- src:输入图像
- thresh： 阈值
- maxval: 最大值
- type： 类型官方文档
