目录
图像平滑处理
滤波处理主要是起到平滑图像，虑去噪声的功能
import cv2
img=cv2.imread("/Users/admin/Desktop/opencv/lenaNoise.png",1)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()我们看一下面的图像，里面有很多白色的点，滤波就是要把这些噪声点去掉
1、均值滤波
均值滤波采用线性的方法，平均整个窗口范围内的像素值
均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点
import cv2
img=cv2.imread("/Users/admin/Desktop/opencv/lenaNoise.png",1)
blur = cv2.blur(img, (3, 3))
cv2.imshow('original', img)
cv2.imshow('blur', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()blur函数只有两个参数，第一个参数是原始图像，第二个参数是要用周围多大的范围进行计算均值，一般是3*3或者5*5
通过均值滤波后，噪声点确实不是很明显了，但是原图也变得模糊了
2、方框滤波
boxFilter(原始图像，目标图像深度，核大小，normalize属性)
目标图像深度一般为-1，表示与原始图像保持一致
核大小就是对周围取值的范围
normalize属性：是否进行归一化处理，归一化代表取均值=均值滤波；不进行归一化的话就是取和，容易溢出，就是和很容易大于255
import cv2
img=cv2.imread("/Users/admin/Desktop/opencv/lenaNoise.png",1)
box1 = cv2.boxFilter(img,-1,(3,3), normalize=True)
box0 = cv2.boxFilter(img,-1,(3,3), normalize=False)
cv2.imshow('original', img)
cv2.imshow('box1', box1)
cv2.imshow('box0', box0)
cv2.waitKey(0)
cv2.destroyAllWindows()
不进行归一化处理的box0图像很多缺失了，因为和大于255显示为白色
3、高斯滤波
高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的
让临近的像素具有更高的重要度，对周围的像素计算加权平均值，较近的像素具有较大的权重
GaussianBlur（str,ksize,sigmax）
str:原始图像
ksize:核大小，必须是奇数
sigmax:X方向的方差，控制权重，一般取0，自动根据核大小计算
import cv2
img=cv2.imread("/Users/admin/Desktop/opencv/lenaNoise.png",1)
Gaussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('original', img)
cv2.imshow('Gaussian', Gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()
4、中值滤波
相当于用中值代替
medianBlur(img, Ksize)
Ksize：核大小，必须是大于1的奇数
import cv2
img=cv2.imread("/Users/admin/Desktop/opencv/lenaNoise.png",1)
median = cv2.medianBlur(img, 5)
cv2.imshow('original', img)
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()
我们发现处理结果比之前的要好很多