图像平滑处理

图像加高斯噪声并保存：

import cv2
import numpy as np

def clamp(pv):
    if pv > 255:
        return 255
    elif pv < 0:
        return 0
    else:
        return pv

#给图片增加高斯噪声，计算花费很长时间
def gaussian_noise(src):
    image = src
    h, w, c = image.shape
    for row in range(h):
        for col in range(w):
            #获取三个高斯随机数
            #第一个参数：概率分布的均值，对应着整个分布的中心
            #第二个参数：概率分布的标准差，对应于分布的宽度
            #第三个参数：生成高斯随机数数量
            s = np.random.normal(0, 20, 3)
            #获取每个像素点的bgr值
            b = image[row, col, 0]  #blue
            g = image[row, col, 1]  #green
            r = image[row, col, 2]  #red\
            #给每个像素值设置新的bgr值
            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])




src = cv2.imread('1.jpg',cv2.IMREAD_REDUCED_COLOR_2)


gaussian_noise(src)

cv2.imshow('noise',src)
cv2.imwrite('.//noise.png',src)
cv2.waitKey(0)

cv2.destroyAllWindows()

均值滤波

指用当前像素点周围N*N个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点
函数：

dst = cv2.blur(src, ksize)

其中，ksize为滤波核大小
测试代码：

import cv2

img = cv2.imread('noise.png')
dst = cv2.blur(img, (5,5))
cv2.imshow('original', img)
cv2.imshow('result', dst)
cv2.waitKey()
cv2.destroyAllWindows()

测试结果：

高斯滤波

高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上机算领域内各个像素值不同权重。
使用函数：

dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType)

sigmaX、sigmaY分别对应X、Y轴方向上卷积核的标准差。
测试代码：

import cv2

img = cv2.imread('noise.png')
dst = cv2.GaussianBlur(img, (5,5), 0, 0)
cv2.imshow('original', img)
cv2.imshow('result', dst)
cv2.waitKey()
cv2.destroyAllWindows()

测试结果：

中值滤波

中值滤波会取当前像素点及其周围临近像素点（一共奇数个像素点）的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值。
函数如下：

dst = cv2.medianBlur(img, 3)

测试代码：

import cv2

img = cv2.imread('noise.png')
dst = cv2.medianBlur(img, 3)
cv2.imshow('original', img)
cv2.imshow('result', dst)
cv2.waitKey()
cv2.destroyAllWindows()