这篇知识分享目的是和大家一起分享一波传统图像处理中常用到的一些平滑方法，一起来熟悉下这些滤波的特点和不同，加深一波印象~

目录图像平滑2D 卷积模糊和滤波均值滤波方框滤波高斯滤波中值滤波双边滤波图像平滑模糊/平滑图片来消除图片噪声OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()2D 卷积

OpenCV中用cv2.filter2D()实现卷积操作，比如我们的核是下面这样（3×3区域像素的和除以10）：

	img = cv2.imread('lena.jpg')# 定义卷积核kernel = np.ones((3, 3), np.float32) / 10# 卷积操作，-1表示通道数与原图相同dst = cv2.filter2D(img, -1, kernel)

原图 vs 卷积后

模糊和滤波它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）低通滤波器是模糊，高通滤波器是锐化

❤️ 低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

常见噪声有 椒盐噪声 和 高斯噪声 ，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。

均值滤波

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用 cv2.blur() 实现，如3×3的卷积核：

img = cv2.imread('lena.jpg')# 均值模糊blur = cv2.blur(img,(3,3) 

类似于均值滤波，如3x3的kernel为：

用 cv2.boxFilter() 函数实现，当可选参数 normalize 为 True 的时候，方框滤波就是均值滤波，上式中的a就等于1/9；normalize 为 False 的时候，a=1，相当于求区域内的像素和。

# 前面的均值滤波也可以用方框滤波实现：normalize=Trueblur = cv2.boxFilter(img, -1, (3, 3), normalize=True)

不同于均值滤波，高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小，类似于正态分布。

正态分布

OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX) ,指定的高斯核的宽和高必须为奇数。

img = cv2.imread('gaussian_noise.bmp')# 均值滤波vs高斯滤波blur = cv2.blur(img, (5, 5))  # 均值滤波gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

参数3,σ_xσx​值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。

原图 vs 均值 vs 高斯

中值滤波

中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。

比如下面这张斑点噪声图，用中值滤波显然更好：

img = cv2.imread('salt_noise.bmp', 0)# 均值滤波vs中值滤波blur = cv2.blur(img, (5, 5))  # 均值滤波median = cv2.medianBlur(img, 5)  # 中值滤波

原图 vs 均值 vs 中值

双边滤波

模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。用cv2.bilateralFilter()函数实现：

img = cv2.imread('lena.jpg')# 双边滤波vs高斯滤波gau = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波# 9为领域直径，两个75分别是高斯空间核函数标准差，灰度值相似性高斯函数标准差blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波

原图 vs 高斯 vs 双边

未完待续~