電腦視覺

藉由影像中灰階的急劇變化來判斷是否為邊緣區域

藉由灰階分佈機率的概念，將高頻的灰階均勻分布在影像中，藉此改善灰階集中的狀態，使影像紋理更多樣與豐富。

與中值濾波器（Median filter）類似，但透過加權運算讓去除雜訊的結果可以保有原始影像的「紋理（Texture）」特徵。

若雜訊的數值大於周遭像素非常多，平滑法的效果會變得很差，因為數值差距太大，取均值降噪後仍會被視為雜訊。這時改取中值（Median）代替，則可改善雜訊數據過於唐突的影響。

針對影像的雜訊干擾、灰階分布集中等問題，可綜合應用面罩（Mask）、捲積（Convolution）等技巧，對局部像素做加權運算，達到影像降噪的效果。

與傅立葉轉換（Fourier Transform）類似，但只使用實數做運算，同樣可將影像轉換至頻率域（Frequency domain），便可觀察這張影像的紋理狀態。

生活中我們常會採用時間序列的邏輯來蒐集資訊，因為這跟我們理解該資訊含意的邏輯類似，像是一首歌、一段影片。而傅立葉轉換讓我們有機會用頻率的角度來看待這些資訊，在特定的情況下，可以讓我們進行更符合期望地處理。

膨脹（Dilation）、侵蝕（Erosion）、關閉（Closing）、開啟（Opening）

奇異值分解法（Singular Value Decomposition）是由Golub、Kahan在1965年提出，推倒過程可以參考這篇論文，後來被Chung等人結合向量量化法來做影像植入浮水印的功能，可參考這篇論文。