win10+Python3.7.3+OpenCV3.4.1入门学习（七）————7.2方框滤波

Python版本是Python3.7.3，OpenCV版本OpenCV.3.4.1，开发环境为PyCharm

OpenCV还提供了方框滤波方式，与均值滤波的不同在于，方框滤波不会计算像素均值。在均值滤波中，滤波结果的像素值是任意一个点的邻域平均值，等于各邻域像素值之和除以邻域面积。而在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。
7.2.1 基本原理
我们以5×5的邻域为例，在进行方框滤波时，如果计算的是邻域像素值的均值，则滤波关系如下图所示。

仍然以5×5的邻域为例，在进行方框滤波时，如果计算的是邻域像素值之和，则滤波关系如下图所示。

根据上述关系，如果计算的是邻域像素值的均值，则使用的卷积核为：

如果计算的是邻域像素值之和，则使用的卷积核为：

7.2.2 函数语法
在OpenCV中，实现方框滤波的函数是cv2.boxFilter()，其语法格式为：

dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )

式中：
● dst是返回值，表示进行方框滤波后得到的处理结果。
● src是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者CV_64F中的一种。
● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
● ksize是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高度和宽度。例如，滤波核的值可以为(3,3)，表示以3×3大小的邻域均值作为图像均值滤波处理的结果，如下式所示。

● anchor是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
● normalize表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为1）或假（值为0）。
● 当参数normalize=1时，表示要进行归一化处理，要用邻域像素值的和除以面积。
● 当参数normalize=0时，表示不需要进行归一化处理，直接使用邻域像素值的和。
通常情况下，针对方框滤波，卷积核可以表示为：

上述对应关系为：

例如，针对5×5邻域，当参数normalize=1时，要进行归一化处理，此时计算的就是均值滤波。这种情况下，函数cv2.boxFilter()和函数cv2.blur()的作用是一样的。此时，对应的卷积核为：

同样针对5×5邻域，当参数normalize=0时，不进行归一化处理，此时滤波计算的是邻域像素值之和，使用的卷积核是：

当normalize=0时，因为不进行归一化处理，因此滤波得到的值很可能超过当前像素值范围的最大值，从而被截断为最大值。这样，就会得到一幅纯白色的图像。
● borderType是边界样式，该值决定了以何种方式处理边界。
通常情况下，在使用方框滤波函数时，对于参数anchor、normalize和borderType，直接采用其默认值即可。因此，函数cv2.boxFilter()的常用形式为：

dst = cv2.boxFilter( src, ddepth, ksize )

7.2.3 程序示例
eg1：针对噪声图像，对其进行方框滤波，显示滤波结果。
分析：根据题目要求，使用方框滤波函数cv2.boxFilter()对原始图像进行滤波。
代码如下：

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5)) 
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，方框滤波函数对normalize参数使用了默认值。在默认情况下，该值为1，表示要进行归一化处理。也就是说，本例中使用的是normalize为默认值True的cv2.boxFilter()函数，此时它和函数cv2.blur()的滤波结果是完全相同的。如下图所示，左图是原始图像，右图是方框滤波结果图像。

在本例中，方框滤波语句r=cv2.boxFilter(o, -1, (5,5))使用了参数normalize的默认值，相当于省略了normalize=1，因此，该语句与r=cv2.boxFilter(o, -1, (5,5), normalize=1)是等效的。当然，此时该语句与均值滤波语句r5=cv2.blur(o, (5,5))也是等效的。

eg2：针对噪声图像，在方框滤波函数cv2.boxFilter()内将参数normalize的值设置为0，显示滤波处理结果。
分析：根据题目要求，将参数normalize设置为0。
代码如下：

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5),normalize=0) 
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，没有对图像进行归一化处理。在进行滤波时，计算的是5×5邻域的像素值之和，图像的像素值基本都会超过当前像素值的最大值255。因此，最后得到的图像接近纯白色，部分点处有颜色。部分点有颜色是因为这些点周边邻域的像素值均较小，邻域像素值在相加后仍然小于255。
此时的图像滤波结果如下图所示，左图是原始图像，右图是方框滤波后得到的处理结果。

eg3：针对噪声图像，使用方框滤波函数cv2.boxFilter()去噪，将参数normalize的值设置为0，将卷积核的大小设置为2×2，显示滤波结果。
代码如下：

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.boxFilter(o,-1,(2,2),normalize=0) 
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，卷积核大小为2×2，参数normalize=0。因此，本例中方框滤波计算的是2×2邻域的像素值之和，四个像素值的和不一定大于255，因此在计算结果图像中有部分像素点不是白色。如下图所示，左图是原始图像，右图是方框滤波处理结果。