目前暂时只接触到椒盐噪声和高斯噪声（正态分布）
1.图像平滑(低通滤波)
图像平滑又称图像模糊，图像滤波，主要目的是去噪，同时可能丢失图像细节，数学原理为卷积，有以下几种主流算法：
1.均值模糊
2.高斯模糊：沿卷积核中心对称分布，离中心越近，权重越大
3.最大值模糊（膨胀）
4.最小值模糊（腐蚀）
5.中值滤波：卷积核为奇数且维数至少为3（数学原理束缚）
6.非局部均值去噪
7.大佬可以自己算卷积核设计算法
根据反复实验，有效去除椒盐噪声主要采用中值滤波和非局部均值去噪，有效去除高斯噪声主要采用高斯滤波和非局部均值去噪
有个问题百思不得其解：无论如何调参，去除高斯噪声时，非局部均值去噪总是比高斯模糊效果好，这与我最初的想法相悖，可能是我没找到合适的样图。
非局部均值去噪api：
fastNlMeansDenoisingColored(InputArray src, OutputArray dst, float h=3, float hColor=3, int templateWindowSize=7, int searchWindowSize=21 )
src – 输入8位3通道图像
dst – Output image with the same size and type as src .
h – 亮度分量的参数调节滤波器强度。较大的h值可以很好地去除噪声，但也可以去除图像细节，较小的h值可以保留细节，但也可以保留一些噪声
hColor – 和h一样，但是对于颜色分量。对于大多数图像，值等于10将会消除有色噪声和不扭曲颜色
templateWindowSize – 用于计算权重的模板补丁的像素大小。应该是奇数。推荐值7像素
searchWindowSize – 用于计算给定像素的加权平均的窗口大小(以像素为单位)。应该是奇数。线性影响性能:更大的搜索窗口-更大的去噪时间。推荐值21像素
2.图像边缘检测
一维边缘算子：
1.罗伯特算子
2.皮威特算子
3.索贝尔算子(有独立的api: cv.Sobel())
二维边缘算子：
拉普拉斯算子
Canny边缘检测算法（很imba）：（以下五点非原创）
1、图像灰度化：只有灰度图才能进行边缘检测
2、去噪：噪声点将影响边缘检测的准确性
3、求解梯度幅度和方向:利用sobel算子求解
4、非极大值抑制：定位准确的边缘同时可缩小边缘线宽
5、双阀值算法检测及连接边缘
使用api时，高低阈值一般为：high = 2 * low
3.图像锐化(高通滤波)
1.拉普拉斯锐化
2.USM锐化算法：
从原图获得模糊的mask和高对比度图像，再将二者加权
