图像噪声：
- 椒盐噪声（脉冲噪声）：
随机出现的噪声，成因可能是有影像信号受到突如其来的强烈干扰而产生，类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。 - 高斯噪声：
噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出：
均值滤波：
采用均值滤波模板对图像噪声进行滤除。令Sxy 表示中心在(x, y)点，尺寸为m×n 的矩形子图像窗口的坐标组。由一个归一化卷积框完成的。它只是用卷积框覆盖区域所有像素的平均值来代替中心元素
调用方式：
cv.blur(src, ksize, anchor, borderType)
src:：图像
ksize：卷积核大小
anchor：默认值（-1，-1），表示核中心
borderType：边界条件
高斯滤波：
二维高斯是构建高斯滤波器的基础，概率分布函数如下，正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平滑结果时，只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
调用方式：
cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
- src: 输入图像
- ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同
- sigmaX: 水平方向的标准差
- sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同 borderType:填充边界类型
中值滤波：
基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值
调用方式：
cv.medianBlur(src, ksize )
src：输入图像
ksize：卷积核的大小
三种滤波实现代码：
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 画图配置
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
# 图像载入
img = cv.imread('img/img7.png')
# 均值滤波
img1 = cv.blur(img,(5,5))
# 高斯滤波
img2 = cv.GaussianBlur(img,(3,3),1)
# 中值滤波
img3 = cv.medianBlur(img,5)
# 图像显示
fig, axes = plt.subplots(nrows=2,ncols=2,figsize=(10,8),dpi=100)
axes[0][0].imshow(img[:,:,::-1])
axes[0,0].set_title("原图")
axes[0][1].imshow(img1[:,:,::-1])
axes[0,1].set_title("均值滤波")
axes[1][0].imshow(img2[:,:,::-1])
axes[1,0].set_title("高斯滤波")
axes[1][1].imshow(img3[:,:,::-1])
axes[1,1].set_title("中值滤波")
plt.show()
运行结果：
cv小白望大佬指点