相信很多小伙伴都听过“滤波器”这个词，在通信领域，滤波器能够去除噪声信号等频率成分，然而在我们OpenCV中，“滤波”并不是对频率进行筛选去除，而是实现了图像的平滑处理。接下来，这篇随笔介绍使用OpenCV进行图像处理的第六章 图像平滑处理。
6 图像平滑处理
未经处理的图像含有噪声的影响，所以我们希望尽可能保留原图像的信息，过滤掉图像内部的噪声像素，得到平滑图像，这个过程称作图像的平滑处理。
一幅图像中，若某一像素点与周围像素值差异过大，该像素点很可能是噪声，则需要把值调整为周围的像素点的近似值。如图所示：
那么，如何对图像进行平滑处理过滤噪声呢？OpenCV提供了多种计算方法，有：
均值滤波
方框滤波
高斯滤波
中值滤波
双边滤波
2D卷积滤波（自定义滤波）
6.1 均值滤波
均值滤波是指使用当前N×N个像素值的均值来替代当前像素值，例如使用周围3×3的像素点对第3行第3列像素值做均值滤波，如图：
新值=（179+176+175+176+31+179+180+185+181）/ 9 = 162
也相当于，对上图黄色区域矩阵乘以3×3的卷积核，该均值滤波3×3的卷积核如下（右侧矩阵）：
OpenCV提供了cv2.blur()函数进行均值滤波，举例程序如下：
1 #针对噪声图像，使用不同大小的卷积核对其进行均值滤波，并显示均值滤波的情况 2 import cv2 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 4 r5=cv2.blur(o,(5,5)) #5×5卷积核进行均值滤波 5 r30=cv2.blur(o,(30,30)) #30×30卷积核进行均值滤波 6 cv2.imshow(\'original\',o) 7 cv2.imshow(\'result5\',r5) 8 cv2.imshow(\'result30\',r30) 9 cv2.waitKey() 10 cv2.destroyAllWindows()
运行结果如下图，左为原图像，中间及右侧是为均值滤波处理结果，卷积核依次增大。
可以看出，卷积核越大，参与到均值运算的像素越多；卷积核越大，去噪效果越好，图像失真会越严重，计算时间也会越长。所以我们要在图像去噪和失真之间找到平衡，选择大小合适的卷积核。
6.2 方框滤波
方框滤波可以选择对周围每个像素值求平均值，或周围像素值之和而不求平均。
OpenCV提供了cv2.boxFilter()函数进行方框滤波，举例程序如下：
1 #针对噪声图像，用方框滤波函数cv2.boxFilter()去噪 2 import cv2 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 4 #参数normalize的值设置为0，卷积核大小设置成2×2 5 r1=cv2.boxFilter(o,-1,(2,2),normalize=0) 6 #参数normalize的值设置为1，卷积核大小设置成2×2 7 r2=cv2.boxFilter(o,-1,(2,2),normalize=1) 8 cv2.imshow(\'original\',o) 9 cv2.imshow(\'result1\',r1) 10 cv2.imshow(\'result2\',r2) 11 cv2.waitKey() 12 cv2.destroyAllWindows()
运行结果如下图，左为原图像，右面两幅是方框滤波后图像。
中间图中白色像素较多，是因为cv2.boxFilter()函数中normalize参数等于0，没有设置归一化，将normalize设置为1进行归一化后，可得右面正常图像。
6.3 高斯滤波
前两小节介绍的均值滤波和方框滤波中，每个像素点的权重是相等的，在高斯滤波中，中心点的权重值较大，边缘点的权重值较小，每一种尺寸的卷积核都可以有多种不同形式的权重比例。
例如一个3×3的高斯滤波卷积核如下所示：
OpenCV提供了cv2.GaussianBlur()函数实现高斯滤波，举例程序如下：
1 #对噪声图像进行高斯滤波，显示滤波的结果 2 import cv2 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 4 r=cv2.GaussianBlur(o,(5,5),0,0) #5×5大小的卷积核，权重的标准差为默认值 5 cv2.imshow(\'original\',o) 6 cv2.imshow(\'result\',r) 7 cv2.waitKey() 8 cv2.destroyAllWindows()
运行结果如下图，左为原图像，右是高斯滤波后的图像。
6.4 中值滤波
中值滤波不使用加权求和的形式计算，而是选取邻域内所有像素点的中间值来替代当前的异常像素值。
举例如下，异常值为31，则3×3邻域内从小到大排列是 [31,175,176,176,179,179,180,181,185]，中位数是179，则该像素点被处理为179。
OpenCV提供了cv2.medianBlur()函数实现中值滤波，举例程序如下：
1 #对噪声图像进行中值滤波，显示滤波的结果 2 import cv2 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 4 r=cv2.medianBlur(o,3) #滤波核大小设置为3，表示宽度和高度均为3 5 cv2.imshow(\'original\',o) 6 cv2.imshow(\'result\',r) 7 cv2.waitKey() 8 cv2.destroyAllWindows()
运行结果如下图，左为原图像，右为中值滤波后的图像。
可以看到，由于中值滤波没有进行均值处理，得到的图像不存在细节变模糊的问题，有较好的滤波效果。但因为需要排序，中值滤波的计算量也较大。
6.5 双边滤波
在之前介绍的计算加权均值后滤波的方法中，滤波图像不可避免的出现轮廓信息模糊的问题。而双边滤波综合考虑了空间信息和色彩信息，能够有效保护图像内的边缘信息。
双边滤波的原理是，处理异常像素值时，不仅考虑距离对权重的影响（距离越远，权重越小），还考虑色差对权重的影响（色差越大，权重越小），既能去除噪声，又能较好地保护边缘信息。
OpenCV提供了cv2.bilateralFilter()函数实现双边滤波，举例程序如下：
1 #针对噪声图像，分别对其进行高斯滤波和双边滤波，比较不同滤波方式对边缘的处理结果是否相同 2 import cv2 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 4 g=cv2.GaussianBlur(o,(7,7),0,0) #高斯滤波 5 b=cv2.bilateralFilter(o,7,100,100) #双边滤波 6 cv2.imshow(\'original\',o) 7 cv2.imshow(\'Gaussian\',g) 8 cv2.imshow(\'bilateral\',b) 9 cv2.waitKey() 10 cv2.destroyAllWindows()
运行结果如下图，左为原图像，中间是高斯滤波得到的图像，右为双边滤波后的图像。
可以看出，经过高斯滤波的图像边缘被模糊虚化了，而经过双边滤波的图像得到了较好的保留。
6.6 2D卷积（自定义滤波）
上述滤波方法中，卷积核的设定是较为固定的，而在实际的图像处理时，我们可能希望使用特定的卷积核进行处理，特定卷积核举例如下：
OpenCV提供了cv2.filter2D()函数实现2D卷积滤波，举例程序如下：
1 #自定义一个卷积核，使用双边滤波函数cv2.filter2D()对原始图像进行滤波 2 import cv2 3 import numpy as np 4 o=cv2.imread(\'E:\python_opencv\lena.jpg\') 5 kernel=np.ones((3,3),np.float32)/9 #设置3×3卷积核 6 kernel[2][2]=0.5 #将卷积核的第2行第2列元素置为0.5 7 r=cv2.filter2D(o,-1,kernel) #自定义滤波 8 cv2.imshow(\'original\',o) 9 cv2.imshow(\'result\',r) 10 cv2.waitKey() 11 cv2.destroyAllWindows()
代码中，自定义将卷积核右下角的值设置为0.5，运行代码后结果如下：
可以看到，本例中自定义卷积核后的滤波的效果，能够对图像的色彩亮度做出改变。
这次内容就分享到这里了，下次继续更新第7章 图像形态学操作，希望与各位老师和小伙伴们交流学习~