介绍完图像卷积之后，我们开始学习各种滤波方法，今天来学习均值滤波。
2.1.原理介绍
在进行均值滤波时，首先要考虑需要对周围多少个像素点取平均值。通常情况下，我们会以当前像素点为中心，对行数和列数相等的一块区域内的所有像素点的像素值求平均。
例：
对于矩阵：
对所选定的3×3矩阵，选定中心像素点，对这个矩阵进行运算
中心点新值 = （ 1 +8 + 15 + 2 + 9 + 16 + 3 + 10 + 17）/9
= 9
对于边缘像素点，如图所示：
新值 = （ 1 + 8 + 2 + 9）/4
= 5
除此以外，还可以扩展当前图像的周围像素点。完成图像边缘扩展后，可以在新增的行列内填充不同的像素值。OpenCV提供了多种边界处理方 式，我们可以根据实际需要选用不同的边界处理模式。
2.2 函数语法
在OpenCV中，实现均值滤波的函数是cv2.blur（），其语法格式为：
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，其默认值是（-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，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的取值，直接采用默认值即可。
通常情况下，使用均值滤波函数时，对于锚点anchor和边界样式borderType，直接采用其默认值即可。因此，函数cv2.blur（）的一般形式为：
dst=cv2.blur（src,ksize）
import cv2 as cv
import numpy as np
def cv_show(name, img):
cv.imshow(name, img)
cv.waitKey(0)
cv.destroyAllWindows()
# 在图片上生成椒盐噪声
def add_peppersalt_noise(image, n=10000):
result = image.copy()
# 测量图片的长和宽
w, h =image.shape[:2]
# 生成n个椒盐噪声
for i in range(n):
x = np.random.randint(1, w)
y= np.random.randint(1, h)
if np.random.randint(0, 2) == 0 :
result[x, y] = 0
else:
result[x,y] = 255
return result
# 在图片上生成高斯噪声
def add_gauss_noise(image, mean=0, val=0.01):
size = image.shape
image = image / 255
gauss = np.random.normal(mean, val**0.05, size)
image = image + gauss
return image
# blur均值滤波，对高斯噪声有较好的去除效果，对象可以是彩色图像和灰度图像
img = cv.imread('D:\\dlam.jpg')
if img is None:
print('Failed to read the image')
img1 = add_peppersalt_noise(img)
cv_show('img', img1)
# 默认为规定尺寸的1/n的全1矩阵
img2 = cv.blur(img1, (3, 3))
cv_show('img2', img2)
img3 = cv.blur(img1, (5, 5))
cv_show('img3', img3)
# 观察不同滤波核对图像滤波的影响例：
添加椒盐噪声后：
3×3卷积核滤波效果
5×5卷积核滤波效果
由上述例子不难看出，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，要在失真和去噪效果之间取得平衡，选取合适大小的卷积核。