首先分为平滑空间滤波器和锐化空间滤波器来进行介绍。平滑空间滤波器主要用于模糊处理和降低噪声，主要两类：均值滤波器和中值滤波器。锐化空间滤波器主要是：拉普拉斯算子和梯度算子。

一、均值滤波方法：对高斯噪声的抑制效果较好。

       假设我们有一个3*3的模板，系数全为1，那么欲求的中心点像素值就是以该模板为中心的9个像素的平均值来代替。根据定义可知，该滤波器具有模糊边缘的负面效应。通过空间均值处理来模糊图像，可以突出感兴趣的物体，即将部分图像融入背景中 ，部分图像‘突出显示’出来，达到平滑图像的作用，重点理解平滑对于图像的意义。

MATLAB代码：

结果：可以看出，在模板逐渐扩大的过程中，图像的锯齿边缘被模糊掉，颗粒状的噪声也没有了，达到了我们想要的效果，但是在9*9甚至更大的模板，图像开始失真，图像过度模糊了。所以我们在图像平滑的时候，要选最佳的模板尺寸。 

二、中值滤波方法：对椒盐噪声的抑制效果较好。

中值滤波器是一种统计排序滤波器，即图像像素等于周围像素排序后的中值，加入模板为3*3，则目标点的像素等于排序后的第五个像素的值。中值滤波器特别适用于椒盐噪声。由定义知，中值滤波器对于孤立点特别敏感，还可以保持图像的边缘特性。由中值滤波扩展出来的还有最大值滤波器和最小值滤波器。

MATLAB代码：

结果：

三、高斯滤波方法：

        高斯滤波器是利用高斯核与输入图像的每个点进行卷积。提到高斯，就想到‘草帽’，更能记住它。高斯滤波器是一种平滑线性滤波器，使用高斯滤波器对图像进行滤波，其效果是降低图像灰度的“尖锐”变化，也就是使图像“模糊”了。高斯滤波对于抑制服从正态分布的噪声效果非常好，其代价是使图像变得“模糊”。当然，有时对图像进行平滑滤波的目的就是让图像变得模糊。

一维高斯分布函数：                                                                                二维高斯分布函数：

它们的图像分别为：

其3*3与5*5的卷积核对应如下：

MATLAB实现：

从结果可以看出，图像整体模糊平滑了，特别是头发和帽子部分，是图像的尖锐变化被降低了吧。

参考图像锐化（增强）和边缘检测：https://blog.csdn.net/mghhz816210/article/details/37820483

四、拉普拉斯算法进行图像锐化

       拉普拉斯算子是一种二阶微分算子，其强调的是图像中灰度的突变，通过将原图像和拉普拉斯图像加在一起，可以达到锐化图像的作用，最终在保留图像的背景信息的前提下从而突出细节。拉普拉斯锐化模板在边缘检测中非常有用。因为图像的边缘就是那些灰度跳变厉害的的区域。

拉普拉斯算子模板：

实现代码：

五、梯度算子进行图像锐化

     相比于拉普拉斯二阶微分算子，梯度算子一一阶微分算子，更为简单。其实个人觉得，把梯度算子放在‘ 边缘检测’更为合适。

f(x,y)在X方向和Y方向的梯度：

经典模板：

车道线检测之-sobel算子边缘检测原理：https://blog.csdn.net/aiailab/article/details/82849158

代码实现：

代码中增加注释，很详细的介绍了求梯度算子锐化的过程。