Blur

图像的平滑处理，也叫模糊是图像处理经常用到的方法。

平滑处理时需要用到一个 滤波器 。 最常用的滤波器是 线性 滤波器，线性滤波处理的输出像素值 g(i,j)是输入像素 f(i+k,j+l)的加权和 :
g(i,j) = sum_{k,l} f(i+k, j+l) h(k,l)
h(k,l) 称为 核, 它仅仅是一个加权系数。
不妨把 滤波器 想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口滑过图像。

其实不仅在图像处理，还有语音识别、声纹识别等诸多技术都有用到filter这个东西，本质都是尽量的过滤噪声信号的干扰，方便后续处理。看下sample code:

    #include <opencv2/opencv.hpp>
    
    using namespace std;
    using namespace cv;
    
    /// Global Variables
    int DELAY_CAPTION = 1500;
    int DELAY_BLUR = 100;
    int MAX_KERNEL_LENGTH = 31;
    
    Mat src; Mat dst;
    char window_name[] = "Smoothing Demo";
    
    /// Function headers
    int display_caption( const char* caption );
    int display_dst( int delay );
    
    
    int main( void )
    {
      namedWindow( window_name, WINDOW_AUTOSIZE );
    
      src = imread( "./../../../data/lena.jpg", IMREAD_COLOR );
    
      if( display_caption( "Original Image" ) != 0 ) { return 0; }
    
      dst = src.clone();
      if( display_dst( DELAY_CAPTION ) != 0 ) { return 0; }
    
    
      /// Applying Homogeneous blur
      if( display_caption( "Homogeneous Blur" ) != 0 ) { return 0; }
    
      for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
      { 
    	  blur( src, dst, Size( i, i ), Point(-1,-1) );
          if( display_dst( DELAY_BLUR ) != 0 ) 
    	     return 0;
      }
    
      /// Applying Gaussian blur
      if( display_caption( "Gaussian Blur" ) != 0 ) { return 0; }
    
      for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
      { 
    	  GaussianBlur( src, dst, Size( i, i ), 0, 0 );
          if( display_dst( DELAY_BLUR ) != 0 ) 
    	     return 0;
      }
    
      /// Applying Median blur
      if( display_caption( "Median Blur" ) != 0 ) { return 0; }
    
      for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
      { 
    	  medianBlur ( src, dst, i );
          if( display_dst( DELAY_BLUR ) != 0 ) 
        	return 0;
      }
    
    
      /// Applying Bilateral Filter
      if( display_caption( "Bilateral Blur" ) != 0 ) { return 0; }
    
      for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
      { 
    	  bilateralFilter ( src, dst, i, i*2, i/2 );
          if( display_dst( DELAY_BLUR ) != 0 ) 
    	     return 0;
      }
    
      display_caption( "End: Press a key!" );
    
      waitKey(0);
    
      return 0;
    }
    
    /**
     * @function display_caption
     */
    int display_caption( const char* caption )
    {
      dst = Mat::zeros( src.size(), src.type() );
      putText( dst, caption,
               Point( src.cols/4, src.rows/2),
               FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );
    
      imshow( window_name, dst );
      int c = waitKey( DELAY_CAPTION );
      if( c >= 0 ) { return -1; }
      return 0;
    }
    
    /**
     * @function display_dst
     */
    int display_dst( int delay )
    {
      imshow( window_name, dst );
      int c = waitKey ( delay );
      if( c >= 0 ) { return -1; }
      return 0;
    }

重点说下用到的4个滤波器：

• Homogeneous blur（归一化滤波）：

最简单的滤波器， 输出像素值是核窗口内像素值的 均值 ( 所有像素加权系数相等)
核窗如下

blur这个func需要使用4个参数，其他的滤波也都是一样的，就以这个说下，
src：input
dst：output
size：kernel size
Anchor point：被平滑的点，也叫锚点，如果是（-1,-1），则该锚点处在kenrel center

• GaussianBlur（高斯滤波）：

高斯滤波是很有用的滤波器它是将输入数组的每一个像素点与 高斯内核 卷积将卷积和当作输出像素值。
二维高斯函数表达式：

形状就是一维的高斯旋转360度，简单的来说就是Anchor point的像素值受到距离该点近的pixel影响大，受到距离该点远的pixel影响小，这样加权和的pixel值就是该锚点的pixel。
par4：x 方向标准方差， 如果是0则使用内核大小计算得到sigma_x
par5：y 方向标准方差， 如果是0则使用内核大小计算得到sigma_y

• medianBlur （中值滤波）：

中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替

• bilateralFilter（双边滤波）：

有些时候上述的滤波器不仅仅削弱了噪声， 连带着把边缘也给磨掉了。 为避免这样的情形 (至少在一定程度上 ),
我们可以使用双边滤波。类似于高斯滤波器，双边滤波器也给每一个邻域像素分配一个加权系数。 这些加权系数包含两个部分, 第一部分加权方式与高斯滤波一样，第二部分的权重则取决于该邻域像素与当前像素的灰度差值。

参数就不说了，可以从前面给的官网上找。
我先现抛出两个问题，大家可以思考一下，
1、kernel size为什么是奇数？
2、为什么这个size越大，图像就越模糊？
效果就懒得贴了，关于图像处理中具体函数怎么用其实不必纠结，我们应该关注的是积木在什么情况下可以用，背后的原理是什么，而不是积木怎么放的问题。