OpenCV图像平滑处理（模糊）———滤波

前面介绍里面，我有写过对于图像的平滑处理的几种方法：
归一化滤波,高斯模糊,中值滤波,双边滤波。 接下来，一一介绍里面参数的含义，以及自己做出的一些总结，还有上篇里面说的关于进度条数值不变的原因。

在开始讲图像平滑处理之前，我们有必要了解下什么是图像噪声：
图像噪声：引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关，它以无用的信息形式出现，扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。

归一化滤波：（均值滤波）
def blur(src, ksize, dst=None, anchor=None, borderType=None)
不要问我为啥和正常的那些不一样，我这里是按python的格式来举的例子，所以么缺少OutputArray -> dst 的参数。 src下面也不多说了，你可以输入图像数据，即Mat类的对象，
可以是多通道的，也可以是单通道哦的，不过图片的深度需要是定义的通道类型里面的(即CV_8UCx,CV_16UCx,CV_16SCx,CV_32FCx,CV_64FCx其中之一)

kSize：内核参数，其实就是图片进行卷积的时候相乘的那个矩阵，具体的卷积是如何算的，网上有很多，我这里就不介绍了，所得到的图像是模糊的，而且图像其实是按照原来的比例缺少了（原图像-内核参数+1)^2 个单元格

anchor:Point类型，即锚点，有默认值Point(-1,-1)，当坐标为负值，就表示取核的中心。
borderType：Int类型，用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.

高斯滤波：
def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
kSize：虽然在后面不想讲了，不过还是要在这里提及一下，均值滤波对kSize里面的参数是没有要求的，不过，高斯滤波，中值滤波的kSize只能是正奇数
sigmaX：Double类型的，表示高斯核函数在X方向的标准偏差
sigmaY：Double类型的，表示高斯核函数在Y方向的标准偏差，若simgaY为0，它的值就和sigmaX的值相同，如果sigmaX和sigmaY的值都为0，那么它就根据kSize的宽高来计算。

中值滤波
def medianBlur(src, ksize, dst=None)
这里的参数其实没啥好说的了···

双边滤波
def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
d:Int类型的，表示在过滤过程中，每个像素邻域的直径。如果这个值我们设其为非正数，那么OpenCV会根据sigmaSpace来计算它。
sigmaColor：Double类型的，颜色空间滤波器的sigma值。这个参数越大，就表明该像素邻域内由更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
sigmaSpace:Double类型的，sigmaSpace坐标空间中的方差，他的数值越大，意味着越远的像素会受影响，从而使更大的区域足够相似的颜色获取相同的颜色，当d>0，d指定了邻域大小与邻域无关，否则，d和邻域成正比。

在这些图像的平滑处理中，高斯模糊最为常用，

这些图像中，第一行中第一个是原图，第二个是高斯模糊，第三个是中值滤波
第二行中第一个是进度条，第二个是双边滤波，第三个是均值滤波
我第三个图像的名称写错了，请见谅。

我们调整进度条到15的位置，我这里设置的总值为15

我们会发现高斯模糊和双边滤波跟原图像没有太大的区别，而中值滤波和均值滤波变得内部轮廓不清晰了，如果是想要轮廓的话，不失为一种可用的方法，如果要一些细节的提取的话，还是选择其他的或者将内核调整的较小一些，也可以保证图像不失真的。

我这里贴下代码：

import cv2

img = cv2.imread("C:/Users/DELL/Desktop/img3.jpg")

def onSizeChange(x):
    position = cv2.getTrackbarPos("cannyBar", "Bar")
    print(position)
    if (position <= 0):
        return
    blur_img = cv2.blur(img, (position, position))
    bilater_img = cv2.bilateralFilter(img, position, position, position)
    if(position%2 == 0):
        position = position + 1
    gauss_img = cv2.GaussianBlur(img, (position, position), 1)
    media_img = cv2.medianBlur(img, position)
    cv2.imshow("Canny", blur_img)
    cv2.imshow("Gauss", gauss_img)
    cv2.imshow("Media", media_img)
    cv2.imshow("Bilater", bilater_img)

cv2.namedWindow("Bar")
cv2.createTrackbar("cannyBar", "Bar", 0, 15, onSizeChange)
cv2.imshow("src", img)
cv2.waitKey(0)

其实也是无意间发现的，这个对比之前的就是前面的在方法里面使用了waitKey(0)。
暂时还不了解原因，不过，可以看到进度条上面的数值终于是自己想要的，还是觉得挺开心的。