【图像平滑处理 opencv 实现】---滤波器总结(均值滤波，方框滤波，高斯滤波，中值滤波，双边滤波，2D卷积)---后续更新
目录
均值滤波
方框滤波
高斯滤波
中值滤波
双边滤波
2D卷积
均值滤波
定义：用当前像素点周围N*N个像素值的均值来替代当前像素值。针对边缘像素点，可以只取图像内存在的周围邻域点的像素值均值。
python代码：
opencv:
dst = cv2.blur(src,ksize,anchor,borderType)
dst -- 返回值
src -- 原始图像
ksize -- 滤波核大小 一般（3x3） （5x5） 越大，参与运算的像素点越多，去噪效果越好 图像失真就越严重 花费时间越长
anchor -- 锚点 默认值（-1，-1） 指当前计算均值的点位于核的中心的位置 一般使用默认值
borderType -- 边界样式 决定以何种方式处理边界 一般默认值
所以：
dst = cv2.blur(src,ksize)
python 代码
import cv2
src = cv2.imread("图像地址")
dst = cv2.blue(src,(5,5))
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()
方框滤波
定义：可以自由选择是否对均值滤波的结果进行归一化，即可以选择滤波结果是领域像素值之和还是像素值之和的平均值。
python代码：
OpenCV
dst = cv2.boxFilter(src,ddepth,ksize,anchor,normalize,boderType)
ddepth -- 图像深度 用-1 表示与原始图像使用相同的图像深度
normalize -- 在滤波是是否进行归一化 是一个逻辑值 1为真（使用均值）(默认) 0为假（使用像数值和）
python 代码
import cv2
src = cv2.imread("图像地址")
dst = cv2.boxFilter(src,-1,(5,5),normalize=0)
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()
高斯滤波
定义：在进行均值滤波和方框滤波时，邻域内的每个像素的的权重是相等的，高斯滤波中，中心点的权重加大，远离中心点的权重值减少，在此基础上计算各个像素值不同权重的和。
高斯滤波中，卷积核中的值不全是1；
核的宽度和高度可以不同，但是必须都是奇数。
| 1 | 2 | 1 |
| 2 | 8 | 2 |
| 1 | 2 | 1 |
| 1/20 | 2/20 | 2/20 |
| 2/20 | 8/20 | 2/20 |
| 1/20 | 2/20 | 1/20 |
python代码：
OpenCV
dst = cv2.GaussianBlur(src,ksize,sigmaX，sigmaY,borderType)
sigmaX -- 卷积核在水平方向上（X轴方向）的标准差 控制权重比例
sigmaY -- 卷积核在垂直方向上（Y轴方向）的标准差 控制权重比例 若该值=0 则只考虑X轴方向 若sigmaX=0 && sigmaY=0 则通过ksize.width ksize.heght 计算得到
sigmaX = 0.3X[(ksize.width-1)x0.5-1]+0.8
sigmaX = 0.3X[(ksize.height-1)x0.5-1]+0.8
sigmaX 是必选参数 sigmaY 是可选参数 但是可以将参数设置为0 让函数自己去计算sigmaX
官方文档建议显式指定ksize sigmaX sigmaY 避免出现错误
dst = cv2.GaussianBlur(src,ksize,sigmaX，sigmaY)
python 代码
import cv2
src = cv2.imread("图像地址")
dst = cv2.GaussianBlur(src,（5，5）,0，0)
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()中值滤波
定义：用邻域所有像素值的中间值来代替当前像素点的像素值。会将这些像素值进行排序，将中间位置的像素值作为当前像素点的像素值。（奇数个像素点）。
特点：由于没有进行中值处理，中值滤波不存在均值滤波带来的细节模糊的问题，但是因为需要排序的操作，所以此方式计算量比较大。
python代码：
OpenCV
dst = cv2.mediaBlur(src,ksize)
注意：核大小必须是比1大的奇数
python 代码
import cv2
src = cv2.imread("图像地址")
dst = cv2.mediaBlur(src,3)
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()
双边滤波
定义：是综合考虑空间信息核色彩信息的滤波方式，在处理过程中能够有效的保护图像的边缘信息。
特点：上述的滤波方式只是考虑了空间的权重信息，这种方式计算方便，但是边缘信息的处理上有较大的问题。
双边滤波在计算时，不仅考虑距离信息（距离越远，权重越小）（这里说的不是像素值的物理距离，而是颜色值的距离：0-255），还考虑色彩信息（色彩差别越大，权重越小），这样既可以去除噪音，也能很好的保护边缘信息。
均值滤波，方框滤波，高斯滤波会导致中间部分边缘模糊。
双边滤波的优势体现在对边缘信息的处理上。
python代码：
OpenCV
dst = cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace,borderType)
d -- 空间距离参数 表示以当前像素点为中心的直径 如果该值非正数 则自动从sigmaSpace 计算得到 若d>5 计算速度慢 一般d=5 ruo 离线滤波噪声较大 则d=9
sigmaColor -- 颜色差值范围 与当前像素点的像素值差值小于sigmaColor的像素点 能够参与到当前滤波中 值越大 表示周围有越多的像素可以参与到计算中来 =255 全部都可以参与 =0 滤波失去意义
sigmaSpace -- 坐标空间的sigma值 值越大 说明有越多的的点参与计算 d>0时 无论sigmaSpace 值如何 d 都指定领域的大小 否则 d 与sigmaSpace 的值成比例
python 代码
import cv2
src = cv2.imread("图像地址")
dst = cv2.bilateralFilter(src,25,100,100)
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()2D卷积
背景：OpenCV 提供多种滤波方式来实现平滑图像的效果，大多数滤波方式所使用的卷积核都有一定的灵活性，能够设置卷积核的大小，但是，我们有时候希望使用特定的卷积核来进行卷积的操作。这时候，需要使用其自定义的卷积函数。
python代码
OpenCV
dst = cv2.filter2D(src,ddepth,kernel,anchor,delta,borderType)
delta -- 修正值 是可选项 如果该值存在 会在基础滤波的基础之上加上该值作为最终的处理结果
python 代码
import cv2
import numpy as np
src = cv2.imread("图像地址")
kernel = np.ones((9,9),np.float32)/81
dst = cv2.filter2D(src,-1,kernel)
cv2.inshow("src",src)
cv2.imshow("dst",dst)
cv2.waitkey()
cv2.destroyAllWindows()
kernel = np.ones((9,9),np.float32)/81
使用ones()函数创建卷积核 kernel：(1/81 X 右边矩阵)
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
致谢
opencv轻松入门-面向python 李立宗著