OpenCV中的滤波器（1）

方盒滤波和均值滤波

当normalize = true，a = 1/w*h, w和h分别为卷积核的宽和高，这时就相当于是均值滤波。
当normalize = flase，a=1
两个滤波api
boxFilter(src, ddpeth, ksize, anchor, normalize, boderType)
blur(src, ksize, anchor, boderType)
ksize表示卷积核大小，（5，5）表示5x5的卷积核
normalize 默认为 true，所以大部分情况下这两个api作用相同，都是均值滤波，（其余参数含义可以去看上篇滤波基本概念）

高斯滤波，如下图所示两边底中间高

原理就是越靠近中心点高斯权重越高，如下图所示中心点占比最高

高斯滤波api，主要去除的就是图片中的高斯噪点
GaussianBlur(img, ksize, sigmaX, sigmaY,…)
img ：需要处理图像
ksize ：卷积核大小
sigmaX ：延展的宽度，x点，最大范围到中心点的差距，即有多大误差
sigmaY ：Y的误差有多大

中值滤波
中值滤波就是取其中的中间值作为卷积后的结果值，假设用一个3x3的卷积核去套图像的时候，套一个小的窗口就会在里面对所有值进行从小到大排序，取中间的值作为这个像素点输出图像的值，也就是说每一个窗口都是取中间的值作为图像的输出元素。

中值滤波对胡椒噪音产生很好的效果
medianBlur(img, ksize) : 中值滤波api， ksize表示卷积核大小

双边滤波
优点：可以保留边缘，同时对边缘内的区域进行平滑处理，主要作用就是进行美颜，如下图检测到边缘后，对边缘不做处理，模糊边缘以外部分。

双边滤波api
bilateralFilter(img, d, sigmaColor, sigmaSpace,…)
d : 直径，可以看做filter的大小
sigmaColor ： 颜色sigma，对边沿的控制，取一定的范围可以在这个范围内忽略掉这个范围不做处理
sigmaSpace ：在值域核上取一个范围，在这个范围内进行平滑处理

#创建一个5*5，每个元素都是1/25的卷积核，实际就是对5*5的矩形区域做了一个平均计算
#kernel = np.ones((5,5),np.float32)/25 
#dst = cv2.filter2D(img, -1, kernel)

#均值滤波
#dst = cv2.blur(img, (5,5))
#方盒滤波
#dst = boxFilter(img, -1, (3,3), normalize= False)

#高斯滤波
#dst = cv2.GaussianBlur(img1, (5,5), sigmaX=1)
#中值滤波
#dst = cv2.medianBlur(hj, 5)
#双边滤波
dst = cv2.bilateralFilter(bi, 7, 20, 50)