一. 图像求卷积
“ 卷积 ” 计算，可以理解为每一个像素取周边像素的 “加权求和” 值，OpenCV 使用函数 cv2.filter2D 对图片进行卷积计算。
“ 加权求和 ” 在数值上来说，是一种“ 平滑化 ”，在图形上来说，相当于产生 “ 模糊 ” 效果。
OpenCV 中对卷积的使用一部分就体现在对图像进行模糊化处理中。
二. 图像模糊化
OpenCV 常用四种方法来实现图片模糊化处理：
1. 均值化 ( Gaussian Filtering )
均值化可以理解为每一个像素都取周边像素的平均值，OpenCV 中使用函数 cv2.blur 来对图像进行均值化处理，使用不同周边半径的代码如下 :
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("zgf.jpg", cv2.IMREAD_COLOR)
b, g, r = cv2.split(img)
img = cv2.merge([r, g, b])
dst1 = cv2.blur(img, (4, 4))
dst2 = cv2.blur(img, (8, 8))
plt.subplot(311), plt.imshow(img), plt.title("original")
plt.xticks([]), plt.yticks([])
plt.subplot(312), plt.imshow(dst1), plt.title("average_4")
plt.xticks([]), plt.yticks([])
plt.subplot(313), plt.imshow(dst2), plt.title("average_8")
plt.xticks([]), plt.yticks([])
plt.show()运行代码，生成图像如下 :
可见，周边半径越大，“模糊”效果越强烈。
2. 高斯滤波 ( Gaussian Filtering )
“均值化模糊” 中，每个像素点取周围像素的平均值，不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。因此相对于均值化平均，加权平均显得更合理，距离越近的点权重越大，距离越远的点权重越小，正态分布显然是一种可取的权重分配方式。
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。正态分布也称为高斯分布。由于图像是二维的，所以我们对图片进行周边区域处理时候，用到的是二维正态分布。
OpenCV 使用函数 cv2.GaussianBlur 来对图像进行 “高斯过滤模糊” 处理，我们在代码中对比 “均值化模糊” 如下 :
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread("miao.jpg", cv2.IMREAD_COLOR)
b, g, r = cv2.split(img)
img = cv2.merge([r, g, b])
dst1 = cv2.blur(img, (5, 5))
dst2 = cv2.GaussianBlur(img, (5, 5), 0)
plt.subplot(131), plt.imshow(img), plt.title("original")
plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.imshow(dst1), plt.title("average_5")
plt.xticks([]), plt.yticks([])
plt.subplot(133), plt.imshow(dst2), plt.title("gaussian_5")
plt.xticks([]), plt.yticks([])
plt.show()
由输出图片可以看到，均值化模糊给人一种 “ 全盘模糊，没有主次 ” 的感觉，高斯过滤模糊则相对显得更加“智能” 。
相对于 “ 均值化滤波 ”，“ 高斯滤波 ” 更能体现出图片中 “ 邻近像素点之间关系更加密切 ” 这个概念。
3. 中值滤波 ( Median Filtering )
中值滤波也是为了减少噪音，中值滤波计算出卷积核窗口内所有像素值的中值，作为卷积核窗口中心像素的新值。
和其他滤波相比，主要有以下不同 :
1. 同均值滤波相比，中值滤波能够保留更多的细节
2. 均值滤波和高斯滤波中，滤波后卷积核中心像素的新值很有可能在原图中不存在，由中值滤波的定义，滤波后卷积核中心像素的新值在原图中肯定存在
3. 中值滤波更适合应对椒盐噪音 ( salt-and-pepper ) 这种频繁大颗粒噪音
OpenCV 使用函数 cv2.medianBlur( ) 来实现中值滤波，代码如下
median = cv2.medianBlur(img,5)
4. 双边滤波 ( Bilateral Filtering )
同高斯滤波相比，双边滤波更注重保持边缘原状，使用双边滤波的代码为 :
blur = cv2.bilateralFilter(img,9,75,75)
左图经过双边滤波成为右图，表面的纹理消失了，但是边缘处被保留了。