在视觉处理的时候，我们经常会碰到图像抽象的情况。那怎么才能把这些抽象图像处理好呢？接下来就会一个个地给大家介绍几种重要的处理方法。

去躁处理

噪声是图像中较为常见的干扰性因素，它往往会，将图像的真实信息予以掩盖，进而对后续的处理效果产生影响。为了能够去除噪声，我们可以运用，中值滤波以及高斯滤波这两种方法。中值滤波，通过用像素邻域的中值，来代替该像素的值，有效地去除噪声，能够较好地保留图像的边缘信息。而高斯滤波，则对图像进行平滑处理，通过对像素邻域进行加权平均，来去除噪声，对高斯噪声有较好的抑制作用，但可能会使图像稍微模糊。

图像复原

图像复原，是在图像遭受模糊或噪声干扰之后，恢复其原本清晰的状态的过程。维纳滤波，是一种依据最小均方误差准则的线性滤波方法，它将图像和噪声的统计特性纳入考量，在消除模糊的同时，竭力保留图像的细节。而盲去卷积，是在不了解模糊核的情形下，通过对图像的统计分析以及优化算法，来估算模糊核并恢复图像。

图像增强

有时候图像需要做增强处理，这样能把它重要的特征凸显出来，也能让它的视觉效果变好。直方图均衡化是一种比较常用的图像增强办法，它会把图像的像素灰度值重新进行分配，让图像的灰度直方图变得更均匀些；对比度拉伸能够经由手动或是自动的方式，对图像的灰度范围予以调节，进而强化物体与背景之间的差异；锐化滤波是一种极为有效的图像增强方式，它能将图像的边缘了，与细节进行强化了，因此图像看起来会更为清晰。

图像分割

图像分割是将图像划分为多个具有相似特征的区域这一过程。基于阈值的分割方法，依据图像的灰度值，或颜色信息来设置阈值，从而将图像分成不同的区域；基于边缘检测的分割方法，是通过检测图像中的边缘，进而划分不同的区域；而基于区域的分割方法，像区域生长、分水岭算法等，是依据图像的相似性，把像素分组为不同的区域。

特征提取

特征提取乃是一个极为重要的步骤。SIFT是用来描述图像局部特征的一种办法，这种办法具备尺度不会变的特性，还能维持旋转不会变的特点。所以在图像匹配、目标识别这类领域里，它表现出了极为优秀的性能；HOG（方向梯度直方图），就是计算图像局部区域的梯度方向直方图，用这个来描述图像的形状特征，这种方式经常在行人检测等任务中使用。因此特征筛选与选择亦是特征提取过程中的重要环节，它能够利用特征评估指标来选取对分类或识别任务最为有益的特征，从而降低特征维度以及计算量。

深度学习方法

这几年深度学习在图像处理领域取得了显著的成果。卷积神经网络是一种能够自动学习图像的层次化特征的神经网络模型。通过大量的训练数据可以学习到对抽象图像的有效表示和分类模式。在深度学习里，数据增强是能提升模型泛化能力的有效办法。把原始图像进行旋转，还有对它进行缩放、翻转等动作，加上一定量的噪声，就能增加数据的多样型，让模型能更好地适应各种变化状况。