在尽量保持图像原有信息的情况下，过滤掉图像内部的噪声，这一过程称为对图像的平滑处理，所得到的图像称为平滑图像。

均值滤波

均值滤波是指用当前像素点周围N*N个像素值的均值来代替当前像素。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。
dst=cv2.blur(src, ksize, anchor, borderType)
式中：
dst：是返回值，表示进行均值滤波后得到的处理结果
src：是指需要处理的图像，即原始图像。它可以有任意数量的通道，并能够对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_32F或者CV_64F中的一种。
ksize：是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度。
anchor：是锚点，其默认值为(-1.-1),表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
borderType是边界样式。

import cv2
from get_show_img import get_show

img = cv2.imread('data/noiseRGB.png')
r = cv2.blur(img, (5,5))
get_show(img, r)

import cv2
from get_show_img import get_show

img = cv2.imread('data/noiseRGB.png')
r5 = cv2.blur(img, (5,5))
r30 = cv2.blur(img, (30, 30))
get_show(img, r, r30)

卷积核越大，参与到均值运算中的像素就会越多，即当前点计算的是更多点的像素值的平均值。因此，卷积核越大，去噪效果越好，当然花费的计算时间也会越长，同时让图像失真越严重。在实际处理中，要在失真核去噪效果之间取得平衡，选取合适大小的卷积核

方框滤波

在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是领域像素值之和的平均值，还是领域像素之和
dst = cv2.boxFilter(src, ddepth, ksize, anchor, normalize, borderType)
式中：
dst：是返回值，表示进行方框滤波后得到的处理结果。
src：表示需要处理的图像。
ddepth：是处理结果图像的深度，一般使用-1表示与原始图像相同。
ksize：是滤波核的大小。
anchor：锚点。
normalize：表示在滤波时是否进行归一化。1：表示进行归一化；0：表示不进行归一化,此时经过滤波得到的值可能超过像素的最大值，从而被截断为最大值，这样就会得到一幅纯白色的图像。

import cv2

img = cv2.imread('data/noiseRGB.png')
r = cv2.boxFilter(img, -1, (5,5))
r1 = cv2.boxFilter(img, -1, (5,5), normalize=0)  # 纯白色图像
get_show(img, r, r1)

将卷积核大小修改为2×2

import cv2

img = cv2.imread('data/noiseRGB.png')
r = cv2.boxFilter(img, -1, (2,2))
r1 = cv2.boxFilter(img, -1, (2,2), normalize=0)  # 此时计算的是2×2领域内的像素之和，不一定大于255，故不是纯白色
get_show(img, r, r1)

高斯滤波

在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算领域内各个像素值不同权重的和。
dst=cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType)
式中：
dst：是返回值，表示进行高斯滤波后得到的处理结果
src：是需要处理的图像，即原始图像。它能够有任意数量的通道，并能够对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一种
ksize：是滤波核的大小。滤波核大小是指在滤波处理过程中其领域图像的高度和宽度。该值必须为奇数
sigmaX：是卷积核在水平方向上的标准差，其控制权重比例。
sigmaY：是卷积核在垂直方向上的标准差。如果该值为0，则只采用sigmaX的值。
borderType：是边界样式。

import cv2

img = cv2.imread('data/noiseRGB.png')
r = cv2.GaussianBlur(img, (5,5), 0, 0)
get_show(img, r)

中值滤波

中值滤波与前面介绍的滤波方式不同，不再采用加权求均值的方式计算滤波结果。它用领域内所有像素值的中间值来代替当前像素点的像素值。
dst=cv2.medianBulr(src,ksize)
式中：
dst：返回值，表示中值滤波处理结果
src：表示需要进行中值滤波的图像
ksize：表示滤波核大小,必须是比1大的奇数，比如3、5、7等

import cv2

img = cv2.imread('data/noiseRGB.png')
r = cv2.medianBlur(img, 5)
get_show(img, r)

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，在滤波过程中能够有效地保护图像内的边缘信息
dst=cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType)
式中：
dst：是返回值，表示进行双边滤波后得到的处理结果
src：是需要处理的图像，即原始图像。它能够有任意数量的通道，并能够对各个通道独立处理。
d：是在滤波时选取的空间距离参数，这里表示以当前像素点为中心的直径。入股偶该值为非正数，则会自动从参数sigmaSpace计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐d=5。对于较大噪声的离线滤波，可以选择d=9。
sigmaColor：是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为0时，滤波失去意义；该值为255时，指定直径内的所有点都能够参与运算。
sigmaSpace是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d与sigmaSpace的值成比例。
borderType是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。
为了简单起见，可以将两个sigma（sigmaColor和sigmaSpace）值设置为相同的。如果它们的值比较小（例如小于10），滤波的效果将不太明显；如果它们的值较大（例如大于150），则滤波效果会比较明显，会产生卡通效果。

import cv2

img = cv2.imread('data/noiseRGB.png')
r_ = cv2.GaussianBlur(img, (5,5), 0)
r = cv2.bilateralFilter(img, 25, 100, 100)
get_show(r_, r)

2D卷积

使用特定的卷积核实现卷积操作
dst=cv2.filter2D(src, ddepth, kernel, anchor, delta, borderType)
式中：
dst：返回值，表示经过2D卷积后得到的处理结果
src：是需要处理的图像，即原始图像。它能够有任意数量的通道，并能够对各个通道独立处理。
ddepth：是处理结果图像的深度。-1：与当前图像相同深度
kernel：是卷积核
anchor：锚点，通常使用默认值。
delta：是修正值，如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果，通常使用默认值。
borderType：是边界样式，该值决定了以何种情况处理边界，通常使用默认值即可。

import cv2
import numpy as np

img = cv2.imread('data/noiseRGB.png')
kernel = np.ones([9,9], np.float32)/81
r = cv2.filter2D(img, -1, kernel)
get_show(img, r)

Ming-Log's Blog

opencv_7_图像平滑处理

均值滤波

方框滤波

高斯滤波

中值滤波

双边滤波

2D卷积