卷积
LPF（低通滤波） 帮助我们去除噪音，模糊图像，降低图像的高频成分。
如 kernel = [[0, -1, 0],
[-1, 5, -1],
[0, -1, 0]]HPF （高通滤波）帮助我们找到图像的边缘 ，去除图像的低频成分。
如： kernel = [[0, -1, 0],
[-1, 4, -1],
[0, -1, 0]]在低频区域（图像变化很小的区域），通过卷积，会将该点的灰度值变成接近0的值，而在高频区域（变化大的区域，边缘），通过卷积会保留下来（灰度值接近1）。
OpenCV 提供的函数 cv.filter2D() 可以让我们对一幅图像进行卷积操作（实际上并非卷积操作）。
代码：
1 import numpy as np
2 import cv2
3 from matplotlib import pyplot as plt
4
5 img = cv2.imread("../image/girl.jpg")
6 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
7
8 # 生成 5 X 5的平均滤波器核
9 kernel = np.ones((5, 5), np.float32) / 25
10
11 dst = cv2.filter2D(img, -1, kernel)
12
13 plt.subplot(121), plt.imshow(img), plt.title("Original")
14 plt.subplot(122), plt.imshow(dst), plt.title("Avera")
15 plt.show()
结果
平均法
这是由一个归一化卷积框完成的。他只是用卷积框覆盖区域所有像素的平均值来代替中心元素。可以使用函数 cv2.blur() 和 cv2.boxFilter() 来完这个任务。
如果你不想使用归一化卷积框，你应该使用 cv2.boxFilter()，这时要传入参数 normalize=False
代码：
1 import numpy as np
2 import cv2
3 from matplotlib import pyplot as plt
4
5 img = cv2.imread("../image/noisy.jpg")
6 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
7
8 blur = cv2.blur(img, (5, 5))
9
10 plt.subplot(121), plt.imshow(img), plt.title("Original")
11 plt.subplot(122), plt.imshow(blur), plt.title("Avera")
12 plt.show()结果：
高斯模糊
把卷积核换成高斯核（简单来说，方框不变，将原来每个方框的值是相等的，现在里面的值是符合高斯分布的，方框中心的值最大，其余方框根据距离中心元素的距离递减，构成一个高斯小山包。原来的求平均数现在变成求加权平均数，全就是方框里的值）。实现的函数是 cv2.GaussianBlur()。我们需要指定高斯核的宽和高（必须是奇数）。以及高斯函数沿 X， Y 方向的标准差。如果我们只指定了 X 方向的的标准差， Y 方向也会取相同值。如果两个标准差都是 0，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从图像中去除高斯噪音。
也可以使用函数 cv2.getGaussianKernel() 自己构建一个高斯核。
1 #0 是指根据窗口大小（ 5,5）来计算高斯函数标准差
2 blur = cv2.GaussianBlur(img,(5,5),0)结果：
中值滤波
主题思想是取相邻像素的点，然后对相邻像素的点进行排序，取中点的灰度值作为该像素点的灰度值。这个滤波器经常用来去除椒盐噪声（一种随机出现的白点或黑点），同时又能保留边缘细节。
卷积核的大小也应该是一个奇数。
代码：
1 median = cv2.medianBlur(img, 5)
结果：去除椒盐噪声效果比高斯滤波均值滤波效果要好
双边滤波
cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪音。但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考虑一个像素是否位于边界。因此边界也会被模糊掉，而这正不是我们想要。
双边滤波同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不会被模糊掉，因为边界处的灰度值变化比较大。
代码：
1 # 9-代表邻域直径，75分别代表空间高斯函数标准差，灰度值相似性高斯函数标准差
2 blur = cv2.bilateralFilter(img, 9, 75, 75)
结果：从结果可以看出，由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波
总结：
1）均值模糊无法克服边缘像素信息丢失的缺陷，原因是均值滤波是基于平均权重的。
2）高斯模糊部分克服了该缺陷，但无法完全避免，因为没有考虑像素值的不同。
3）高斯双边模糊-是边缘保留额滤波方法，避免了边缘信息丢失，保留了图像轮廓不变，但容易导致高频噪声无法完全去除。
4）在实际应用时，应根据噪声的特点、期望的图像和边缘特征等来选择合适的滤波器，这样才能发挥图像滤波的最大优点
