Os filtros lineares no processamento da imagem modificam uma imagem executando uma soma ponderada dos valores de pixel em um bairro local. Eles são caracterizados por seu kernel (ou máscara), uma pequena matriz de pesos. O tipo de filtro é determinado pelos valores dentro desse kernel. Aqui estão alguns tipos comuns:

1. Filtros de suavização (filtros passa-baixo): Esses filtros embaçam a imagem, calculando a média dos valores de pixels. Eles reduzem o ruído e os detalhes finos.

* filtro de média: Todos os valores do kernel são iguais (por exemplo, um kernel 3x3 com todos os valores 1/9). Simples e computacionalmente barato, mas pode causar desfoque significativo.
* filtro gaussiano: Os valores do kernel seguem uma distribuição gaussiana. Produz um desfoque mais suave do que um filtro médio e menos probabilidade de introduzir artefatos. O desvio padrão do gaussiano determina a quantidade de desfoque.
* filtro mediano: Isso é *não linear *, mas geralmente agrupado com filtros lineares devido à sua aplicação semelhante. Ele substitui o pixel central pelo valor mediano dos pixels no kernel. Excelente na remoção do ruído de sal e pimenta, preservando as bordas melhor do que a média.


2. Filtros de afiação (filtros passa-alto): Esses filtros aprimoram as arestas e detalhes enfatizando diferenças nos valores de pixels.

* Filtro de Laplaciano: Usa um kernel que se aproxima da segunda derivada da imagem. Destaca áreas de mudança de intensidade rápida. Frequentemente usado para detecção de borda. Existem variações, incluindo os Laplacianos conectados e 8 conectados.
* máscara de Netarp: Subtraia uma versão borrada da imagem do original, aprimorando os componentes de alta frequência. Fornece nitidez mais controlada do que o Laplaciano.
* Sobel Operator: (e Prewitt e Kirsch) Esses são operadores de gradiente que se aproximam do gradiente de imagem, destacando as bordas em uma direção específica. Eles produzem mapas de borda em vez de aprimorar a imagem original diretamente.


3. Filtros direcionais: Esses filtros são sensíveis a orientações específicas na imagem.

* Roberts Cross Operator: Um detector de borda simples sensível às bordas diagonais.
* Sobel Operator (novamente): Enquanto usados ​​para detecção geral de borda, diferentes orientações do núcleo de Sobel podem ser usadas para enfatizar as bordas nas direções horizontal ou vertical.


4. Outros filtros lineares:

* Filtros derivados: Esses filtros se aproximam dos primeiros ou segundos derivados da intensidade da imagem. Usado para detecção de borda e extração de recursos. Os exemplos incluem os filtros Sobel, Prewitt e Laplacian mencionados acima.
* Filtro de identidade: Um núcleo com 1 no centro e 0 em outros lugares. Este filtro deixa a imagem inalterada.


Considerações importantes:

* tamanho do kernel: O tamanho do kernel afeta a extensão da filtragem. Os grãos maiores produzem mais desfoque (suavização) ou nitidez mais significativa.
* Normalização: Os grãos para suavizar os filtros são geralmente normalizados (a soma dos pesos é igual a 1) para evitar alterações no brilho geral da imagem.
* Manuseio de limite: Muitas vezes, são necessárias técnicas especiais para lidar com pixels perto das bordas da imagem, onde o kernel pode se estender além do limite da imagem. Os métodos comuns incluem preenchimento com zeros ou espelhamento.


Esta lista não é exaustiva, mas abrange os tipos mais comuns de filtros lineares usados ​​no processamento de imagens. A escolha do filtro depende muito do aplicativo específico e do resultado desejado.