15 遍歷圖像中的像素，是先for行數后for列數的，也就是一列一列的遍歷，matlab中是從1開始計數，opnecv中采用c語言的從0開始計數。
矩陣歸一化：normalize()函數，參數挺多，不過大多都有默認值，不用都寫出來，一般要求的圖像歸一化精簡寫法為 normalize(InputArray secImage , outputArray dstImage);一個輸入，一個輸出即可。
16 消除圖像中的噪聲成分叫做圖像的平滑化或濾波操作，信號或圖像的能量大部分集中在幅度譜的低頻和中頻段，而在較高頻段，有用的信息經常被噪聲淹沒，因此一個能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。Ps：濾波其實就是一個卷積的操作。
三種線性濾波：方框濾波 boxblur函數 boxFilter(src,dst,-1,Size(3,3)); 其中-1表示輸出圖形采用原圖像深度，即src.depth，圖像深度表示存儲每個像素所用的位數，也用於量度圖像的色彩分辨率。Size(3,3)表示3*3的內核大小。boxFilter最少需要這四個參數，少其一都不行。其余參數有默認值一般不與考慮。
均值濾波 blur函數，輸出圖像的每一個像素是核窗口內輸入圖像對應像素的平均值，其實就是歸一化的方框濾波。 blur(src,dst,Size(3,3)); 主要是領域平均法，即某一點的像素是由除去該點的模板的其他點的平均值代替，故不能很好的保護圖像細節，會造成圖像變得模糊，不能很好的去除噪聲點。
和均值濾波相似的是高斯濾波，只不過高斯濾波不是簡單的求其平均值，二是加權平均值。高斯濾波 是用一個模板掃描圖像中的每一個像素，用模板確定的領域內的像素的加權平均灰度值去替代模板中心像素點的值，效果明顯比均值濾波好了很多。Ps：理解高斯濾波概念，從數學的角度來看，圖像的高斯濾波過程就是圖像與正態分布做卷積，由於正態分布又叫做高斯分布，所以這項操作才叫做高斯濾波。
GussianBlur(src,dst,Size(5,7),sigmaX,sigmaY); 和前兩種濾波不同的是，第三個表示內核大小的參數必須是正數和奇數，或者為0，還需設定高斯核函數在X和Y方向的標准偏差sigmaX、sigmaY。
17 兩種非線性濾波器：中值濾波median filter 雙邊濾波 bilateral filter
圖像處理的很多情況下，使用線性濾波更不到更好的效果，例如：噪聲是散粒噪聲而不是高斯噪聲，即圖像偶爾會出現很大的值的時候，用高斯濾波器進行模糊的話，噪聲像素是不會被去除的，只是轉換為更為柔和但仍然可見的顆粒。
中值濾波：基本思想是用像素點鄰域灰度值的中值（中位數）來代替該像素點的灰度值，在去除脈沖噪聲、椒鹽噪聲的同時能保留圖像的邊緣細節。中值濾波在一定條件下，能克服線性濾波器所帶來的圖像細節模糊。medianBlur(src,dst,ksize);其中ksize是孔徑的線性尺寸，必須是大於1的奇數。
例如：medianBlur(image,out,7);
雙邊濾波是結合圖像的空間鄰近度和像素值相似度的一種折中處理，好處是可以做邊緣保存。
bilateralFilter(src,dst,d,sigmaColor,sigmaSpace);d表示過濾過程中每個像素鄰域的直徑，sigmaColor顏色空間濾波器的sigma值，參數值越大，就表明該像素鄰域內有越寬廣的顏色會被混合在一起，產生較大的半相等顏色區域，sigmaSpace表示坐標空間中濾波器的sigma值，坐標空間的標注方差，數值越大，意味着越遠的像素會相互影響，從而使更大的區域中足夠相似的顏色獲取相同的顏色。
例如：bilateralFilter(image,out,25,25*2,25/2);
18 圖像的深度：
圖片是由一個個像素點構成的，所有不同顏色的像素點構成了一副完整的圖像，計算機存儲圖片是以二進制來進行的。1bit：用一位來存儲，那么這個像素點的取值范圍就是0或者1，那么我們看來這幅圖片要么是黑色要么是白色。4 bit : 取值范圍為 0 到 2 的4次方8 bit : 來存儲像素點的取值范圍為 0 到 2 的8次方，以此類推，我們把計算機存儲單個像素點所用到的bit為稱之為圖像的深度。bit表示位。
圖像的通道：
我們都知道顏色的三元素 Red, Green, Blue. 如果是深度為24=3*8，我們剛好就可以用第一個8位存儲Red值，第二個存儲Green值，第三個存儲Blue值, 2的8次方剛好是255,所以我們一般看到的RGB值都是(0-255,0-255,0-255)這樣的值。如果用rgb來表示圖片的顏色值，我們稱這樣的圖片通道為三。