图像平滑（模糊）

目的：主要是去除图像中的高频成分（如噪音、边界），出发点往往是去除噪音信号，但处理过程中也会模糊边界。

OpenCV中常用的几种模糊技术：

1.平均

利用卷积框覆盖区域所有像素的平均值来代替中心位置像素值，通常使用cv2.blur()或者cv2.boxFilter()来完成，其中前者是一个归一化卷积框（核所有元素和为1），后者则可以不用归一化卷积框，需要传入参数normalize=False，此时，核的系数就不再是1/9，而是1，相当于区域内所有像素值的和，看看实现代码及处理效果：

import cv2
from matplotlib import pyplot as plt
import pylab
pylab.rcParams['figure.figsize'] = (25.0, 12.0) # 显示大小

img=cv2.imread('building.jpg')
#注意：当用OpenCV读取彩色图像时，OpenCV是以(BGR)的顺序存储图像数据的，而Matplotlib是以(RGB)的顺序显示图像的
b,g,r = cv2.split(img)  
img = cv2.merge([r,g,b]) 
#均值滤波,可以采用3×3或者5×5的卷积框，实验发现3×3效果不明显
blurImg=cv2.blur(img,(5,5))
#boxFilter()其中normalize=False
boxBlurImg=cv2.boxFilter(img,-1,(3,3),normalize=False)

plt.subplot(131),plt.imshow(img),plt.title('original image')
#plt.xticks([]),plt.yticks([])用来设置坐标轴显示
plt.subplot(132),plt.imshow(blurImg),plt.title('after blur')
plt.xticks([]),plt.yticks([])
plt.subplot(133),plt.imshow(boxBlurImg),plt.title('unnormalized blur')
plt.xticks([]),plt.yticks([])
plt.savefig('blurResult.png')#保存实验结果
plt.show()

2.高斯滤波

    原卷积框大小不变，将其值的大小改为符合高斯分布（正态分布），方框中心值最大，将原来求平均值变为求加权平均值，卷积框的行、列必须是奇数。函数cv2.GaussianBlur(),高斯滤波能够有效去除高斯噪音。

3.中值滤波

    利用区域像素的中值来替代中心像素的值，有效去除椒盐噪音，随机噪音，函数cv2.medianBlur(img,5)

4. 双边滤波

    能够在保持边界清晰的情况下来有效去除噪音（相对其他滤波要慢一点），使用空间高斯权重（只有空间离中心像素点近的像素点权重大）和灰度值相似性高斯权重（只有灰度值与中心相似性高的像素才会用来做模糊运算）函数cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace),

其中  d表示在过滤过程中每个像素邻域的直径范围,如果这个值是非正数，则函数会从第五个参数sigmaSpace计算该值;

(double) sigmaColor: 颜色空间过滤器的sigma值，这个参数的值月大，表明该像素邻域内有月宽广的颜色会被混合到一起，产生较大的半相等颜色区域;
(double) sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着颜色相近的较远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色，当d>0时，d指定了邻域大小且与sigmaSpace五官，否则d正比于sigmaSpace.

对于简单的滤波而言，可以将两个sigma值设置成相同的值，如果值<10，则对滤波器影响很小，如果值>150则会对滤波器产生较大的影响，会使图片看起来像卡通，调整适当的参数，可以起到美颜效果。参考链接。

实验效果：

从左至右从上至下依次为：1）加高斯噪音，2）加椒盐噪音，3）双边滤波，4）高斯滤波，5）中值滤波，6）不同参数的双边滤波

相关代码主要在于添加椒盐噪声和高斯噪声，其中关于高斯噪声部分由于方法的原因，做出的效果和Matlab自带的imnoise()函数中的高斯噪声效果不一样，本次采用的相关资源[链接]。比较有趣的是双边滤波部分，适当的调节参数堪比美图秀秀，当然还是比较单调的修饰，主要起到的效果是使图像看上去更加朦胧，可以做一个动态调节参数的，类似这样（参考资源，不得不说被该作者的实验效果吓到了）。

附上添加噪声部分代码：

#添加椒盐噪音
def addSaltNoise(src,n=10000):
    dst=src.copy()
    row,col,channels=src.shape
    for k in range(n):
        #随机选取位置
        i=random.randint(0,row-1)
        j=random.randint(0,col-1)
        if channels==1:
            dst[i,j]=255#盐噪音
        else:
            dst[i,j,:]=255
    for k in range(n):
        i=random.randint(0,row-1)
        j=random.randint(0,col-1)
        if channels==1:
            dst[i,j]=0#椒噪音
        else:
            dst[i,j,:]=0
    return dst
#产生高斯噪音
def addGaussianNoise(src,miu=0.1,sigma=0.01):
    #miu为正态分布的均值，sigma为方差，N(μ，σ^2),当μ = 0,σ = 1时的正态分布是标准正态分布
    dst=src.copy()
    row,col,_=src.shape
    #r通道
    r=src[:,:,0].flatten()
    #g通道
    g=src[:,:,1].flatten()
    #b通道
    b=src[:,:,2].flatten()
    
    #计算新的像素值
    for i in range(row*col):
        pr=int(r[i])+random.gauss(miu,sigma)
        pg=int(g[i])+random.gauss(miu,sigma)
        pb=int(b[i])+random.gauss(miu,sigma)
        if pr<0:
            pr=0
        elif pr >255:
            pr=255
        if pg<0:
            pg=0
        elif pg >255:
            pg=255
        if pb<0:
            pb=0
        elif pb >255:
            pb=255
        r[i]=pr
        g[i]=pg
        b[i]=pb
    dst[:,:,0]=r.reshape(row,col)
    dst[:,:,1]=g.reshape(row,col)
    dst[:,:,2]=b.reshape(row,col)        
    return dst

参考文献：OpenCV官方教程中文版（for python)