空间滤波用像元邻域强调平滑、边缘或纹理

单个遥感像元只给出当前位置和波段的观测，许多目标还表现为空间结构：道路是连续细线，耕地具有重复纹理，建筑边缘形成方向变化。空间滤波用像元邻域计算新值，选择性保留低频背景、高频边缘或局部统计。

滤波输出是处理结果，不是独立观测。核大小、形状和边界处理都会改变结果，必须相对地面分辨率与目标尺度解释。

卷积核定义邻域怎样贡献

线性空间滤波把邻域像元乘以权重后求和。均值核权重相同，近似局部平均；高斯核让中心附近权重更大；差分核用正负权重响应方向变化。

核尺寸以像元计，但真实含义是地面距离。3×3 核在 10 米影像覆盖约 30 米邻域，在 1 千米产品中覆盖 3 千米。跨传感器复用同一像元核会改变分析尺度。

核权重和影响直流响应。平滑核通常归一化为权重和一，保持均匀区域平均亮度；边缘核权重和常为零，使常量区域响应接近零。实现中的数据类型要能容纳负值和溢出。

均值和高斯滤波抑制高频变化，可减弱随机噪声和细碎纹理。核越大，平滑越强，小对象和窄边界越容易消失。

噪声未必是可加的独立随机量。SAR 斑点具有相干成像统计，简单均值会损失纹理和边缘；条带、云边和配准误差也不会被普通平滑正确修复。滤波模型应与噪声来源匹配。

中值滤波是非线性方法，对孤立极值较稳健，并能比均值更好保留某些边缘。但它会改变细线和小斑块，连续多次应用还会重塑对象形状。

高通滤波、梯度和拉普拉斯算子对局部亮度变化敏感，常用于边缘增强。道路、田块边界会响应，噪声、阴影、云缘和传感器条带也会响应。

锐化可把高频分量按比例加回原图，使视觉边缘更清楚。比例过大会产生光晕、负值和过冲。显示上“更锐”不意味着定位更准确，也不能恢复采样时已经丢失的高频信息。

方向核对水平、垂直或斜向结构响应不同。对方向敏感的目标，应组合多方向结果或记录方向特征，不能只选看起来效果最好的一个方向而忽略偏差。

核在影像边缘缺少邻居，需要用常数、复制、镜像、环绕或只计算有效区域。常数零会制造暗边，环绕假定左右边缘相连，通常不适合普通地理影像。

分块处理还会在每个块边界遇到同样问题。若没有读取邻接 halo，拼接后会出现格网接缝。云端瓦片处理必须为核半径预留重叠，再裁掉临时边缘。

无数据值不能当普通零参与卷积。可按有效权重重新归一化，或把邻域结果标为无效；两种选择对海岸、云边和缺测区影响不同，应在元数据说明。

纹理特征试图量化邻域中的粗糙、规则、方向和重复。局部方差、梯度统计、共生矩阵和频域方法各自关注不同结构，对窗口大小、灰度量化和方向设置敏感。

窗口太小无法捕捉完整模式，太大又把多个地物混合。纹理尺度应根据目标尺寸和分辨率选择，并通过多尺度实验检查稳定性。

共生统计依赖像元对距离与方向，旋转地物可能产生不同值。若任务需要旋转不变，应组合方向或采用相应描述子，同时保留原始方向信息供解释。

逐波段独立空间滤波会改变波段比例，边缘位置稍有差异时可能影响光谱指数。对分类数据、QA 位和对象标识，连续卷积会产生不存在的中间类别，应使用多数滤波或保持原值。

时序平滑与空间平滑是不同维度。时间滤波需处理不等间隔、云缺测和季节性；把时间层当普通影像通道卷积，会混淆空间邻域和时间顺序。

训练模型使用滤波特征时，参数必须在训练、验证和部署一致。先在全数据上估计归一化或自适应滤波参数，可能把测试区域信息泄漏到训练流程。

滤波可用噪声指标、边缘保持和频率响应评价，但最终仍要看任务：分类是否跨区域稳定，线状目标是否连续，小对象是否被删除。视觉示例不能替代量化测试。

应保留原始影像、滤波参数、核、边界方式、无数据规则和输出类型。多个滤波结果用于模型时，还要检查高度相关特征带来的冗余。

空间滤波的力量来自对邻域结构的明确假设。先说明想抑制或强调的尺度，再选择方法并验证副作用，才能避免把处理伪影误认成地物特征。