为什么要使用滤波
消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。
如下图，左图带有椒盐噪声，右图为使用中值滤波处理后的图片。
图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。
python +opencv讲解
均值滤波
含义
如图：如果我们想对红色点进行处理，则它新值等于周围N乘N个像素点的平均（包括自身）
用表达式表达：
扩展到对整个图像进行均值滤波
实现方法：
处理结果=cv2.blur(原始图像,核大小)
核大小：以（宽度，高度）的元祖
效果：使图像变模糊啦。能处理被椒盐攻击过的照片。
import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.blur(a,(8,8))
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()
方框滤波
实现方法：函数boxFilter
处理结果=cv2.boxFilter(原始图像,目标图像深度,核大小,normalize属性）
目标图像深度: int类型的目标图像深度，-1表示与原始图像一致
核大小：（宽度，高度）元祖
normalize:是否对目标图像进行归一化处理
normalize为true 时与均值滤波一样，为false时表示任意一个点的像素为周围像素点的和，容易发生溢出超过255
normalize=1，1为true
import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.boxFilter(a,-1,(5,5),normalize=1)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
normalize=0，0为false
结果中只有几个点不是白色
减少核大小为（2,2）normalize=0
高斯滤波
含义：
中心点权重高，越远越低
实现方法：GaussianBlur
处理结果=cv2.GaussianBlur(原始图像src，核函数大小ksize，sigmaX)
核函数大小ksize：（N，N）必须是奇数
sigmaX：控制x方向方差，控制权重,一般取0,它自己去计算方差。y轴方差和x一致
import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.GaussianBlur(a,(3,3),0)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()
中值滤波
使用像素点邻域附近的像素的中值代替该点的像素值。通俗点来说，在这个像素的左边找五个像素点，右边找五个像素点，将这些像素进行排序，排序过后产生一个中值，用中间大小的值，来代替该像素的值。
中值滤波可以有效的去除斑点和椒盐噪声。但是效率低，其运算时间 为均值滤波的五倍以上。
实现方法：medianBlur
目标图像=cv2.medianBlur(原始图像,intksize)
intksize:核函数，必须为奇数.
import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.medianBlur(a,5)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()
