转载自这里
目录
均值滤波
均值滤波，是图像处理中最常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高
频信号将会去掉，因此可以帮助消除图像尖锐噪声，实现图像平滑，模糊等功能。理想的均
值滤波是用每个像素和它周围像素计算出来的平均值替换图像中每个像素。采样Kernel数
据通常是3X3的矩阵，如下表示：
从左到右从上到下计算图像中的每个像素，最终得到处理后的图像。均值滤波可以加上两个
参数，即迭代次数，Kernel数据大小。一个相同的Kernel，但是多次迭代就会效果越来越好。
同样，迭代次数相同，Kernel矩阵越大，均值滤波的效果就越明显。
中值滤波
中值滤波也是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比
均值滤波更好。中值滤波是跟均值滤波唯一不同是，不是用均值来替换中心每个像素，而是
将周围像素和中心像素排序以后，取中值，一个3X3大小的中值滤波如下：
最大最小值滤波
最大最小值滤波是一种比较保守的图像处理手段，与中值滤波类似，首先要排序周围像素和
中心像素值，然后将中心像素值与最小和最大像素值比较，如果比最小值小，则替换中心像
素为最小值，如果中心像素比最大值大，则替换中心像素为最大值。一个Kernel矩阵为3X3的最大最小值滤波如下：
scipy模拟中值滤波
Python原生包中也有signal库
但是主要是在Linux平台上发挥作用，对Windows支持不太好，但是我们可以使用Scipy下的signal信号处理模块来代替Python原生的signal库
signal的medfilt()方法传入两个参数，第一个参数是要作中值滤波的信号，第二个参数是邻域的大小(奇数)。如邻域为3即是每个点自己和左右各一个点成为一个邻域。在每个位置的邻域中选取中位数替换这个位置的数，也就是该函数的返回值数组。如果邻域中出现没有元素的位置，那么以0补齐。
import scipy.signal as signal
>>> x=np.random.randint(1,1000,(4,4))
>>> x
array([[ 31, 33, 745, 483],
[331, 469, 804, 479],
[235, 487, 244, 982],
[857, 114, 167, 174]])
>>> signal.medfilt(x,(3,3)) #二维中值滤波
array([[ 0., 33., 469., 0.],
[ 33., 331., 483., 479.],
[ 235., 331., 469., 174.],
[ 0., 167., 167., 0.]])