线性滤波需结合结构化元素、局部统计建模与自适应权重才能实现边缘保持与细节增强；skimage中须转float64后用disk结构元调autolevel；opencv可用filter2d、sepfilter2d或分通道处理；pytorch可通过conv2d构建可学习线性滤波层。
要在图像处理中使用Linear（线性滤波）实现高级过滤效果，不能只依赖基础的双线性插值，必须结合结构化元素控制、局部统计建模与自适应权重调整，才能突破平滑模糊的局限，达成边缘保持、噪声抑制与细节增强并存的目标。
用skimage构建可调半径的线性加权局部滤波器
第一步：导入必要模块并加载灰度图像，确保输入为float64类型，否则autolevel等rank滤波器会因精度截断导致输出异常；【务必先执行img = img.astype(np.float64)】
第二步：调用skimage.morphology.disk(7)生成半径为7的圆形结构元，该尺寸决定了滤波作用域——太小无法抑制噪点，太大则丢失纹理梯度。
第三步：将disk结构元传入skimage.filters.rank.autolevel，此操作不是全局拉伸对比度，而是对每个像素邻域独立计算直方图并线性映射到[0,1]区间，本质是带空间约束的逐块线性变换。
在OpenCV中手动实现带权重系数的线性核滤波
方法一：用cv2.filter2D指定自定义3×3线性核，例如Sobel-X方向核[-1,0,1; -2,0,2; -1,0,1]，注意需设ddepth=-1保持原深度，否则输出全为0。
方法二：改用cv2.sepFilter2D分离卷积，先沿x方向用[−1,0,1]滤波，再沿y方向用[[−1],[0],[1]]滤波，计算量比filter2D低约40%，适合实时视频流。
方法三：对彩色图像，必须先拆通道（cv2.split），分别滤波后再合并（cv2.merge），直接对BGR整体滤波会导致色偏——因为各通道高频响应不一致。
用PyTorch构建可学习的线性滤波层
定义一个nn.Conv2d层，in_channels=1, out_channels=1, kernel_size=5, bias=False，并冻结权重；初始化时用torch.tensor([[0.04]*5]*5)赋予均值核，随后用requires_grad=False锁定，这样就得到一个纯线性、无非线性激活、不可训练的滤波模块。
若需动态调节，把kernel参数改为nn.Parameter(torch.randn(1,1,5,5).requires_grad_(True))，再在训练循环中用F.conv2d(input, weight)显式调用，此时滤波器权重随loss反向传播更新，真正实现“学习型线性滤波”。
