图像的平滑处理

在尽量保留图像原有信息的基础上，过滤掉图像的内部噪声，这一过程称为对图像的平滑处理，它会将图像周围像素值差异较大的值调整为周围像素的近似值。

图像平滑处理通常伴随着图像模糊操作，因此，图像平滑处理又被称为图像模糊处理。

常见的方法主要有：
（1）：均值滤波
（2）：方框滤波
（3）：高斯滤波
（4）：中值滤波
（5）：双边滤波
（6）：二维卷积（自定义滤波）

一：均值滤波

均值滤波是指用当前的像素点周围N*N个像素值的均值来代替当前像素值。然后使用该方法遍历图像内的每一个像素点，即可完成整幅图的均值滤波。

新值=((197+25+106+156+159)+
(149+40+107+5+71)+
(163+198+ 226+223+156)+
(222+37+68+193+157)+
(42+72+250+41+75)) / 25
=126

dst=cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)

src：原始图像，可以是任意通道数，并能对每个通道单独处理

ksize:滤波核大小，如：（5，5），表示以5*5大小的领域均值作为图像均值滤波处理的结果,(卷积核越大，去噪效果越好，图片越模糊，计算量越大（即时间越久）)

一般情况anchor与borderType默认即可

import cv2

img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/9.jpg"),(300,300))
dst=cv2.blur(src=img, ksize=(5,5),dst=None)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey()

img为原图，dst为ksize=(3,3)的均值滤波图，dst1为ksize=(5,5)的均值滤波图,从图中可以看出，ksize越大，去噪效果越好，但图片越模糊

二：方框滤波

方框滤波原理和均值滤波原理基本一致，区别是需不需要均一化处理；需要均一化处理，则原理和均值滤波相同；如果不需要均一化处理，很容易发生溢出，溢出时均为白色，设置对应像素值为255，而对于均一化或者非均一化处理主要通过传递参数normalize来进行区别，当normalize=Ture时，表示需要均一化处理，而当normalize=Flase时，则表示不需要均一化处理(非均一化处理)。

dst=cv2.boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)

src:原始图像，它可以是任意数量的通道，并能够对每个通道做独立的处理。

ksize：核大小

ddepth:处理结果图像的图像深度，一般使用-1表示与原始图像有相同的深度

anchor:锚点，默认（-1，-1），即当前计算的点位于核的中点

normalize:是否进行归一化（将计算结果规范化到当前像素范围内的值）该参数是一个逻辑值，可以为真（1，默认），假（0）
a:当normalize为1时表示要进行归一化，用邻域像素值之和除以面积
b:normalize为1时不需要归一化，直接使用邻域像素之和（超出部分被截断为最大值）

borderType：边界样式，定义以何种方式处理边界，默认即可

	import cv2
	
	img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/4.jpg"),(300,300))
	dst=cv2.blur(src=img, ksize=(3,3))
	dst1=cv2.boxFilter(img,-1,(3,3),normalize=1)
	dst2=cv2.boxFilter(img,-1,(3,3),normalize=0)
	cv2.imshow("img",img)
	cv2.imshow("dst",dst)
	cv2.imshow("dst1",dst1)
	cv2.imshow("dst2",dst2)
	cv2.waitKey()

由图可以看出，图dst与dst1相同，即normalize=1时，方框滤波和均值滤波是一致的。在图dst2中，normalize=0,没有进行归一化，邻域像素之和大于255的都别截断处理成255，故出现大片的白色。

三：高斯滤波

在高斯滤波中，会将中心点的权重加大，远离中心点的权重减小，进而计算邻域内像素的加权和。

dst=cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

src：可以为任意数量的通道，并能对每个通道单独处理

ksize：滤波核，在滤波过程中其邻域图像的高与宽度，该滤波核的值必须为奇数。

sigmaX：卷积核在水平方向(x轴方向)的标准差，控制的是权重比例，默认为0。该参数为必选参数，但可以设置为0，让函数自己去计算它的值。

sigmaY：可选参数，卷积核在垂直方向上(y轴方向)的标准差，如果该值为0（默认值），则只采用sigmaX的值，若sigmaX也为0，则通过ksize.width和ksize.height计算得到
a:sigmaX=0.3[(ksize.width-1)0.5-1]+0.8
b:sigmaY=0.3[(ksize.height-1)0.5-1]+0.8

import cv2

img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/5.jpg"),(300,300))
#默认sigmaX，sigmaX均为0,让其自己计算
dst=cv2.GaussianBlur(img,(11,11),0,0)
dst1=cv2.GaussianBlur(img,(11,11),3,3)
dst2=cv2.GaussianBlur(img,(11,11),10,3)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.imshow("dst1",dst1)
cv2.imshow("dst2",dst2)
cv2.waitKey()

从上可以大致看出：
（1）在核大小固定的情况下，sigma值越大，权值分布越平缓。因此，邻域各个点的值对输出值的影响越大，最终结果造成图像越模糊。
（2）在核大小固定的情况下，sigma值越小，权值分布越突起。因此，邻域各个点的值对输出值的影响越小，图像变化也越小。假如中心点权值为1，其他点权值为0，那么最终结果是图像没有任何变化。

四：中值滤波

中值滤波不再采用加权求均值的方式计算滤波结果，它用邻域内所用像素的中间值代替当前像素点的像素值。

cv2.medianBlur(src, ksize, dst=None)

src：原图，任意通道数量

ksize：滤波核大小，必须为大于1的奇数，如：3，5，7等。

import cv2

img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/10.jpg"),(300,300))
dst=cv2.medianBlur(img, 5, dst=None)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.waitKey()

由图可以看出，由于中值滤波器没有进行加权处理，它不会存在均值滤波器等带来的细节模糊问题，在中值滤波中，由于噪声不同于邻域的像素，故它很难被选上，所以几乎可以在不影响原有图像的情况下去除全部噪声。但由于要排序进行中值的选择，故运算量较大。

五：双边滤波

双边滤波是综合考虑空间信息和色彩信息的滤波方式（距离越远，权重越小，色彩差别越大，权重越小），在滤波过程中能够有效地保护图像内的边缘信息。
前面四种滤波器基本都只考虑了空间的权重信息，它们在边缘信息的处理上存在较大的问题。

dst=cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None）

src：可以为任意数量的通道，并能对每个通道单独处理

d：滤波是选取的空间距离参数，表示以当前像素点为中心的直径，该值越大，速度越慢，一般使用5即可，对于较大的离线噪声，可以选d=9。该值为负数时，会自动由sigmaSpace计算得到。

sigmaColor：滤波时选取的颜色差值范围，决定了周围那些像素点能参与到滤波中来。如sigmaColor=20时，表示在以d为直径的范围内，所有像素点与当前像素点的值小于20的参与滤波运算。当为0失去意义。

sigmaSpace：坐标空间中的sigma值，它越大，参与滤波的点越多。当d>0时，无论sigmaSpace大小，都由d指定邻域大小，否则，d与sigmaSpace成比例

borderType：边界样式，一般默认即可。

为方便，一般将sigmaColor与sigmaSpace设置为相同即可，如果它们较小，滤波不明显（参与运算的点较少），如果它们较大，滤波较明显，会产生卡通效果。

import cv2

img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/10.jpg"),(300,300))
dst=cv2.GaussianBlur(img,(5,5),0,0)
dst1=cv2.bilateralFilter(img,100,150,150)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.imshow("dst1",dst1)
cv2.waitKey()

由图dst与dst1可知，经过双边滤波的dst1边缘信息保留得比较完整。

六：2D卷积

上面的滤波器大都具有一定的灵活性，能方便的设置卷积核的大小与数值。但在上述滤波器中并不是所有的卷积核都能实现，这时就可能需要用到自定义卷积核实现卷积（滤波）操作。

dst=cv2.filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None)

src：可以为任意数量的通道，并能对每个通道单独处理。

ddepth：必选值，处理结果图像的图像深度，一般使用-1表示与原始图像有相同的深度

kernel：自定义的卷积核，单通道的数组。

anchor：锚点，默认即可

delta：修正值，如果该值存在，会在基础滤波的结果上加上该值作为最终滤波结果。

import cv2
import numpy as np

img=cv2.resize(cv2.imread("D:/my project/opencv3/chapter_1/img/9.jpg"),(300,300))

kernel=np.array(range(0,100,4)).reshape(5,5)/sum(range(0,100,4))
print(kernel)
kernel_1=np.ones((5,5),np.float32)/25 #d等同于5*5的均值滤波
dst=cv2.filter2D(img,-1,kernel)
dst_1=cv2.filter2D(img,-1,kernel_1)
cv2.imshow("img",img)
cv2.imshow("dst",dst)
cv2.imshow("dst_1",dst_1)
cv2.waitKey()