高斯滤波、均值滤波、中值滤波、最小均方差滤波、Gabor滤波的优缺点是什么?.

高斯滤波
由于高斯函数的傅立叶变换仍是高斯函数,因此高斯函数能构成一个在频域具有平滑性能的低通滤波器.可以通过在频域做乘积来实现高斯滤波.均值滤波是对是对信号进行局部平均,以平均值来代表该像素点的灰度值.矩形滤波器(Averaging Box Filter)对这个二维矢量的每一个分量进行独立的平滑处理.通过计算和转化 ,得到一幅单位矢量图.这个 512×512的矢量图被划分成一个 8×8的小区域 ,再在每一个小区域中 ,统计这个区域内的主要方向 ,亦即将对该区域内点方向数进行统计,最多的方向作为区域的主方向.于是就得到了一个新的64×64的矢量图.这个新的矢量图还可以采用一个 3×3模板进行进一步的平滑.
均值滤波
把每个像素都用周围的8个像素来做均值操作.可以平滑图像,速度快,算法简单.但是无法去掉噪声,这能微弱的减弱它.
中值滤波
常用的非线性滤波方法 ,也是图像处理技术中最常用的预处理技术.它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘.加权中值滤波能够改进中值滤波的边缘信号保持效果.但对方向性很强的指纹图像进行滤波处理时 ,有必要引入方向信息,即利用指纹方向图来指导中值滤波的进行.
最小均方差滤波器
亦称维纳滤波器,其设计思想是使输入信号乘响应后的输出,与期望输出的均方误差为最小.
Gabor滤波
Gabor变换是英国物理学家 Gabor提出来的,由“测不准原理”可知,它具有最小的时频窗,即Gabor函数能做到具有最精确的时间-频率的局部化；另外,Gabor函数与哺乳动物的视觉感受野相当吻合,这一点对研究图像特征检测或空间频率滤波非常有用.恰当的选择其参数,Gabor变换可以出色地进行图像分割、识别与理解.如文献提出的基于Gabor滤波器的增强算法.