关于图像滤波及效果展示（浅解）（opencv python）（入门）

目录

均值滤波

它的函数：        

特点

方框滤波

函数

 特点

归一化定义与作用

高斯滤波

 函数

 效果图

 特点

中值滤波

函数

效果图 

特点

---

opencv中入门的四个滤波函数：

        均值滤波

        方框滤波

        高斯滤波

        中值滤波

均值滤波

简单的说就是在以目标像素点为中心的一个矩阵中，我们将矩阵中的所有像素值值加起来

例子：

滤波函数会将中间的211那个坐标的值变成（=122.4

它的函数：
        

效果图

 (右边是原图，左边是均值函数处理过的)

特点

        易实现，效率高，操作简单，不过也容易被噪声干扰，不能完全消除噪声，尤其是椒盐噪声，对于图像的细节无法很好地保护， 

  

方框滤波

和均值滤波大同小异，它是均值滤波的一般形式 

函数

效果图

 （左数第一张是原图，第二张是选择了归一化后的图，第三张是不归一化的图）

（效果不是特别好）

 特点

        均值滤波一致。不了解归一化的读者其实也不用纠结，初学者不需要了解得太深。在理解记住这个函数归一化和不归一化的差别就好

（下面这定义来自百度百科“归一化（openCV归一化函数）”）

归一化定义与作用

归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。归一化有同一、统一和合一的意思。

高斯滤波

高斯滤波引进了加权的一个观念,也就是高斯会将矩阵内的像素值加起来，但不是简单的除平均值 ，而是根据矩阵内每个像素与中心像素的位置关系乘以一个值。上图

 函数

 效果图

（左一为原图） 

 特点

模糊图像的同时，能对图像总体的灰度分布特征有较好的保留

中值滤波

顾名思义，取矩阵的中值为矩阵的中心的像素值

如 

 此图中，被框中的矩阵中的中心像素值211会变成127

函数

 

 （读者朋友注意，本文的所有函数，其所配套的矩阵不得是偶数和负数。）

效果图 

（左一为原图）

特点

能够很好地消除椒盐噪声和脉冲噪声，并较好地保存图像边缘的细节，但运行地时间较长

（over~）

（笔者水平有限，本文大多地方也是支支吾吾，解释得粗糙至极，若有纰漏，还望斧正）