图像滤波的作用：将一幅图像通过图像滤波得到另一幅图像
按照深度学习的说法：
其中滤波器又称为卷积核，滤波的过程称为卷积
图像卷积效果：
经过卷积 后，图片的到了锐化
卷积的过程：
通常情况下，原始图像经过卷积后的输出图像，一定比原图像小
卷积的几个基本概念
1. 卷积核的大小 3*3 5*5 11*11
2. 锚点
3. 边界扩充：作为是让输出图像跟原始图像一样大
3. 步长
卷积核的大小
卷积核的大小一般为奇数，如3*3 5*5 7*7
为什么卷积核的大小一般为奇数？
一方面是增加padding的原因（扩充图像的尺寸，为了使输出图像的大小与原始图像保持一致）
另一方面是锚点的原因：如果为奇数，则锚点一直在卷积核的正中心，从而防止位置发生偏移
具体信息可以查看相关的文献
卷积核大小的影响：在深度学习中，卷积核越大，可以看到的信息（专业术语中叫感受野）越多，提取的特征越好，同时计算量也就越大
锚点
对于5*5的卷积核，41就是锚点，正中心的值就是锚点，主要作用是防止信息的偏差
边界扩充
主要作用：让输入与输出相等
当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小
当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等
将输入图像与输出图像保持一致
计算公式：
N = (W-F+2P)/S+1
N 输出图像大小
W 源图大小 F卷积核大小 P扩充尺寸
S 步长大小
步长
步长（stride）就是卷积核在你原图上每一步移动的距离。 步长小，提取的特征会更全面，不会遗漏太多信息。 但同时可能造成计算量增大，甚至过拟合等问题。 步长大，计算量会下降，但很有可能错失一些有用的特征。
图像卷积示例
（1）低通滤波与高通滤波
低通滤波可以去除噪声和平滑图像
高通滤波可以帮助查找图像的边缘
（2）图像卷积API
filter2D(src, ddepth, kernel, anchor, delter, borderType)
参数含义：
src 滤波对象
ddepth 滤波后的图像位深，一般设为-1，跟原图像保持一致
kernel
anchor 锚点，可以不设
delter 默认为0
borderType 边界类型，一般情况为默认值
例如一个5*5的卷积核，作用使图像变平滑
import cv2
import numpy as np
img = cv2.imread('E:\\112.png')
kernel = np.ones((5,5), np.float32)/25
dst = cv2.filter2D(img, -1 , kernel )
cv2.imshow('dst', dst)
cv2.imshow('img',img)
cv2.waitKey(0)
经过滤波后的图像变得模糊
