原图片读入后如下所示，会有很多噪音点
这时就要用到滤波处理来处理这些噪音点，有以下几种方式：
1、均值滤波
对于一个像素点，可以在它周围画一个卷积盒子，用盒子中的均值来代替这个像素点，计算公式为（121+75+...+235）/9
也就相当于一个3×3的卷积矩阵，每个位置的值都为1，该卷积矩阵与像素点矩阵做乘法，然后除以矩阵的大小
经过均值滤波处理后，结果如下：
1 #均值滤波 2 blur=cv2.blur(img,(3,3))
可以看到噪音点比原始图像少了很多，但还是有一些噪音点
2、方框滤波
方框滤波有两种情况，如果做了归一化处理，就和均值滤波一样
1 #方框滤波(归一化即和均值滤波一样) 2 box1=cv2.boxFilter(img,-1,(3,3),normalize=True)
如果不做归一化处理，就是将卷积盒子中的所有数值加起来，不取平均值，即121+75+...+235
因为像素点的取值范围是0~255，如果加起来超过这个范围，显示出来就是一个白点
1 #方框滤波（不做归一化处理） 2 box2=cv2.boxFilter(img,-1,(3,3),normalize=False)
3、高斯滤波
在卷积盒子中，有些像素点离中心像素点的距离近一些，那么它和中心像素点的关系更近一些，求平均值的时候权重应该更大一些
例如3×3的盒子中，上下左右就离中心点的距离短一些，四个角距离就稍长些
高斯滤波就是在求均值的基础上给各个点都加上了权重
1 #高斯滤波 2 gaussian=cv2.GaussianBlur(img,(5,5),1)
4、中值滤波
就是将卷积盒子中的像素点按顺序排成一列，取它的中间数，即中位数
24，75，78，104，113，121，154，204，235，中位数是113，就用113来代替中心像素点的值
1 #中值滤波 2 median=cv2.medianBlur(img,5)
可以看到，利用中值滤波处理后，噪音点基本没有了