【OpenCv 4 Python 3.7】模糊操作（均值模糊 中值模糊 自定义模糊 高斯模糊）

一、均值模糊 中值模糊 自定义模糊

1. 基于离散卷积
2. 定义好每个卷积核
3. 不同卷积核得到不同的卷积效果
4. 模糊是卷积的一种表象
   

一、均值模糊blur

opencv有一个专门的平均滤波模板供使用–归一化卷积模板，所有的滤波模板都是使卷积框覆盖区域所有像素点与模板相乘后得到的值作为中心像素的值。

均值模糊函数blur()：

定义：blur(src,ksize,dst=None, anchor=None, borderType=None)

定义是有5个参数，但最后三个均为none,所以也就2个参数

src：要处理的原图像

ksize: 必须是奇数卷积核，周围关联的像素的范围：代码中（5，5）就是5*5的大小，就是计算这些范围内的均值来确定中心位置的大小

二、中值模糊mediablur

中值滤波模板就是用卷积框中像素的中值代替中心值，达到去噪声的目的。 这个模板一般用于去除椒盐噪声。 前面的滤波器都是用计算得到的一个新值来取代中心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他，卷积核的大小也是个奇数。
中值模糊函数medianBlur():

定义：medianBlur(src, ksize, dst=None)

ksize与blur()函数不同，不是矩阵，而是一个数字，例如为5，就表示了5*5的方阵

中值滤波对于这些白点噪声的去除是非常的好的。

三、自定义模糊fileter 2D

推文：图像滤波函数imfilter函数的应用及其扩展

Opencv提供的一个通用的2D滤波函数为cv2.filter2D()，
滤波函数的使用需要一个核模板，对图像的滤波操作过程为：将和模板放在图像的一个像素A上，求与之对应的图像上的每个像素点的和，
核不同，得到的结果不同，而滤波的使用核心也是对于这个核模板的使用，需要注意的是，该滤波函数是单通道运算的，
也就是说对于彩色图像的滤波，需要将彩色图像的各个通道提取出来，对各个通道分别滤波才行。

filter2D(src,ddepth,kernel)：

ddepth：深度，输入值为-1时，目标图像和原图像深度保持一致

kernel: 卷积核（或者是相关核）,一个单通道浮点型矩阵
常用卷积核：

（均值模糊 中值模糊 自定义模糊 ）代码实现：

import cv2 as cv
import numpy as np


def blur_demo(image): #均值模糊（去噪）
    dst = cv.blur(image, (5, 5)) #卷积层 5行5列
    cv.imshow("blur_demo", dst)


def median_blur_demo(image): #中值模糊（去噪：椒盐噪声）
    dst = cv.medianBlur(image, 5)
    cv.imshow("median_blur_demo", dst)


def custom_blur_demo(image): #自定义模糊
    #kernel = np.ones([5, 5], np.float32)/25 #去噪
    # 锐化（数值总和 = 0 一般是做边缘梯度，数值总和 = 1 一般是做图像增强） 提高对比度
    kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]], np.float32) #锐化（数值总和 = 0 一般是做边缘梯度，数值总和 = 1 一般是做图像增强）
    dst = cv.filter2D(image, -1, kernel=kernel) #kernel=kernel 算子
    cv.imshow("custom_blur_demo", dst)


print("--------- Hello Python ---------")
src = cv.imread("D:/vcprojects/images/demo.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
custom_blur_demo(src)
cv.waitKey(0)

cv.destroyAllWindows()

二、高斯模糊

使用opencv高斯模糊

高斯平滑函数GaussianBlur()

定义：GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意，图片深度应该为CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
ksize，高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数（并不能理解）。或者，它们可以是零的，它们都是由sigma计算而来。
sigmaX，表示高斯核函数在X方向的的标准偏差。　　根据这个可以获取sigmaY,若是sigmaX和sigmaY都没有则根据ksize获取
sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。
为了结果的正确性着想，最好是把第三个参数Size，第四个参数sigmaX和第五个参数sigmaY全部指定到。
borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT。

（高斯模糊）代码实现：

import cv2 as cv
import numpy as np


def clamp(pv): #确保值在0-255之间
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    else:
        return pv


def gaussian_noise(image):
    h, w, c = image.shape
    for row in range(h):
        for col in range(w):
            s = np.random.normal(0, 20, 3)
            b = image[row, col, 0]  # blue
            g = image[row, col, 1]  # green
            r = image[row, col, 2]  # red
            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])
    cv.imshow("noise image", image)


print("--------- Hello Python ---------")
src = cv.imread("E:/ji_qi_xue_xi/opencv_kejian/opencv_python_image/aaa.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)

t1 = cv.getTickCount()
gaussian_noise(src)
t2 = cv.getTickCount()
time = (t2 - t1)/cv.getTickFrequency()
print("time consume : %s"%(time*1000))
dst = cv.GaussianBlur(src, (5, 5), 0) #高斯模糊API   (5, 5)的高斯窗口
cv.imshow("Gaussian Blur", dst)


cv.waitKey(0)

cv.destroyAllWindows()