一、
图像滤波
1.滤波：过滤掉特定频率的波段，在图像处理中一般指去除图像噪声点，使图片整体变平滑
2.opencv提供的几种滤波函数
1）自定义滤波/二维滤波
cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
src：原图像
ddepth：输出图像通道深度，-1表示与原图像通道深度相同
ksize：卷积核尺寸，通常为numpy二维数组
该函数将任意线性滤波器应用于图像，支持就地操作。当光圈部分位于图像外部时，该函数根据指定的边界模式插入异常值像素值。该函数实际上确实计算了相关性，而不是卷积：也就是说，内核不会在锚点周围进行镜像。如果你需要一个真正的卷积，用flip（）翻转内核并将新锚设置为（kernel.cols - anchor.x - 1，kernel.rows - anchor.y - 1）。
Opencv提供的一个通用的2D滤波函数为cv2.filter2D()，滤波函数的使用需要一个核模板，对图像的滤波操作过程为：将和模板放在图像的一个像素A上，求与之对应的图像上的每个像素点的和，核不同，得到的结果不同，而滤波的使用核心也是对于这个核模板的使用，需要注意的是，该滤波函数是单通道运算的，也就是说对于彩色图像的滤波，需要将彩色图像的各个通道提取出来，对各个通道分别滤波才行。
2）盒式滤波
cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])
src：原图像
ddepth：输出图像通道深度，-1表示与原图像通道深度相同
ksize：卷积核尺寸，通常为numpy二维数组
3）均值滤波
cv2.blur(src, ksize[, dst[, anchor[, borderType]]])
src：原图像，通道数任意
ksize：卷积核尺寸，二元元组
是归一化后的盒式滤波，由一个归一化卷积框完成，用卷积框覆盖区域所有像素的平均值来代替中心元素
4）高斯滤波
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])
src：原图像，通道数任意
ksize：高斯核大小。 两值可以不同，但必须是正奇数。或者，为零根据sigma计算。也可以通过cv2.GaussianKernel()自己构造核。
sigmaX：高斯核在x方向的标准偏差
sigmaY：高斯核在y方向的标准偏差，为0时等于sigmaX，都为0时根据ksize计算
卷积核换成高斯核。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。
5）中值滤波
cv2.medianBlur(src, ksize[, dst])
src：原图像，1、3或者4通道
ksize：正奇数
取核中每个像素的中值作为该像素的值，经常用来去除椒盐噪声
6）双边滤波
cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])
src：原图像，1、通道，8bit或float
d：过滤期间使用的每个像素邻域的直径。如果它是非正数，则从sigmaSpace计算
sigmaColor：色彩空间的sigma
sigmaSpace：协同空间的sigma
双边滤波在高斯滤波的基础上增加了灰度值的影响，可以有效地在保持边缘清晰的情况下去除噪声，但速度较慢。
二、
# coding:utf-8
#
# https://docs.opencv.org/2.4/modules/imgproc/doc/filtering.html
#
#
import cv2
import numpy as np
# 通用的2D滤波函数,需要用户自定义窗口模版，单通道运算
def custom2Dfilter(img):
b,g,r = cv2.split(img) # 通道分离
kernel = np.ones((5, 5), np.float32) / 25 # 滤波窗口
b = cv2.filter2D(np.float32(b),-1,kernel)
b = np.uint8(np.clip(b, 0, 255))
g = cv2.filter2D(np.float32(g),-1,kernel)
g = np.uint8(np.clip(g, 0, 255))
r = cv2.filter2D(np.float32(r),-1,kernel)
r = np.uint8(np.clip(r, 0, 255))
return cv2.merge([b,g,r])
def boxFilter(img):
return cv2.boxFilter(img,-1,(5,5))
def averageFilter(img):
return cv2.blur(img,(3,5))
def medianFilter(img):
return cv2.medianBlur(img,5)
def gaussianFilter(img):
return cv2.GaussianBlur(img,(5,5),0)
def bilaterFilter(img):
return cv2.bilateralFilter(img,9,75,75)
img = cv2.imread('image11.png',1)
cv2.imshow('src',img)
dst_cust2D = custom2Dfilter(img)
dst_ave = averageFilter(img)
dst_mid = medianFilter(img)
dst_gauss = gaussianFilter(img)
dst_bilat = bilaterFilter(img)
dst_box = boxFilter(img)
cv2.imshow('custom2D',dst_cust2D)
cv2.imshow('average',dst_ave)
cv2.imshow('median',dst_mid)
cv2.imshow('Guassian',dst_gauss)
cv2.imshow('bilateral',dst_bilat)
cv2.imshow('box',dst_box)
cv2.waitKey(0)
cv2.destroyAllWindows()
