内容有： 均值滤波 cv2.blur()，方框滤波 cv2.boxFilter()，高斯滤波 cv2.GaussianBlur()，中值滤波 cv2.medianBlur()

滤波可理解为，平均卷积操作。对于图像上存在的噪声点，通过滤波平滑处理操作，可以去除噪声点。在开始前我们先导入需要用的库文件，获取需要用到的图片。

import cv2# 指定图像所在文件夹位置filepath = 'C:\\Users\\admin\\.spyder-py3\\test\\opencv\\img'# 获取文件夹中某张图像img = cv2.imread(filepath+'\\lina.jpg')# 显示图像cv2.imshow('img',img) # (自定义窗口名,图象变量)cv2.waitKey(0) # 图像不会自动消失cv2.destoryAllWindows() # 按下任意键图像消失

原理： 卷积核在图像上滑动，将核的锚点放在该特定位置的像素上，同时，核内的其他值与该像素邻域的各像素重合；对卷积核内的所有像素值求平均，将所得结果放到与锚点对应的像素上；对图像所有像素重复上述过程。

方法：cv2.blur(img, ksize)

img表示图像变量；ksize表示卷积核大小(n,n)，卷积核是值全为1的矩阵

#（1）均值滤波# 参数：输入的图像数据，卷积核大小，即滑窗的宽和高，一般用奇数blur = cv2.blur(img,(3,3))# 显示图像cv2.imshow('blur',blur)cv2.waitKey(0)cv2.destoryAllWindows()

2. 方框滤波

原理： 卷积核在图像上滑动，将核的锚点放在该特定位置的像素上，同时，核内的其他值与该像素邻域的各像素重合；方框滤波有2种方法（1）将卷积核内所有像素值相加，超过255的像素值变成255；（2）对卷积核内的所有像素值求平均。将所得结果放到与锚点对应的像素上；对图像所有像素重复上述过程。

如果方框滤波使用第2种方法得到的结果和均值滤波的结果一样。

滤波函数： cv2.boxFilter(img, -1, ksize, normalize)

img代表输入图像；-1代表得到的结果在颜色通道上是一致的，一般不用改；ksize代表卷积核大小；normalize代表是否归一化，如果为True，得到的结果同均值滤波。

#（2）方框滤波# 卷积核3*3box = cv2.boxFilter(img,-1,(3,3),normalize=True)# 显示图像cv2.imshow('box',box)cv2.waitKey(0)cv2.destoryAllWindows()

下图左侧是normalize=False的图像，右侧是normalize=True的图像

3. 高斯滤波

原理： 卷积核在图像上滑动，将核的锚点放在该特定位置的像素上，同时，核内的其他值与该像素邻域的各像素重合；卷积核内的权重值服从高斯分布，离中心点越近的点权值越大。将卷积核内各值与相应像素值做内积，将乘积相加后求平均，将所得结果放到与锚点对应的像素上；对图像所有像素重复上述过程。

滤波方法： cv2.GaussianBlur(img, ksize, 标准差x, 标准差y)

img代表输入图像；ksize卷积核大小，滑窗宽度高度为奇数；标准差x代表沿x方向的卷积核的标准差；标准差y代表沿y方向的卷积核的标准差，不设置的话则和x轴的标准差一致

# 输入图像，卷积核大小，沿x轴方向的标准差=1，沿y轴标准差不设置的话和沿x轴一样aussian = cv2.GaussianBlur(img, (5,5), 1)# 显示图像cv2.imshow('aussian',aussian)cv2.waitKey(0)cv2.destoryAllWindows()

下图左侧为原图，右侧为高斯滤波后的图

4. 中值滤波

原理： 卷积核在图像上滑动，将核的锚点放在该特定位置的像素上，同时，核内的其他值与该像素邻域的各像素重合；被卷积核框住的像素值从小到大排序，取中间大小的像素值代替滑窗中最中间的值。将所得结果放到与锚点对应的像素上；对图像所有像素重复上述过程。

滤波方法： cv2.medianBlur(img, ksize)

img代表输入的图像，ksize代表滤波模板的尺寸大小，填一个数值，必须是大于1的奇数

#（4）中值滤波median = cv2.medianBlur(img,5) # 用5*5的卷积核去做滑窗，排序后，取中间那个值# 显示图像cv2.imshow('median',median)cv2.waitKey(0)cv2.destoryAllWindows()

下图左侧为原图，右侧为滤波后的图像。可以看出，中值滤波对处理椒盐噪声具有很好的效果。

最后我们来把这三种滤波(均值、高斯、中值)图像放在一起看一下

#（5）一个窗口显示多个图像# np.hstack()表示沿着横向堆叠# np.vstack()表示沿着纵向堆叠# 参数应该为一个元组import numpy as npres = np.hstack((blur,aussian,median))# 图像显示cv2.imshow('result',res)cv2.waitKey(0)cv2.destoryAllWindows()