导向滤波python_(三)OpenCV-Python学习—图像平滑

由于种种原因，图像中难免会存在噪声，需要对其去除。噪声可以理解为灰度值的随机变化，即拍照过程中引入的一些不想要的像素点。噪声可分为椒盐噪声，高斯噪声，加性噪声和乘性噪声等，参见：https://zhuanlan.zhihu.com/p/52889476

噪声主要通过平滑进行抑制和去除，包括基于二维离散卷积的高斯平滑，均值平滑，基于统计学的中值平滑，以及能够保持图像边缘的双边滤波，导向滤波算法等。下面介绍其具体使用

1. 二维离散卷积

理解卷积：https://www.zhihu.com/question/22298352/answer/637156871

https://www.zhihu.com/question/22298352/answer/228543288

学习图像平滑前，有必要了解下卷积的知识，看完上述连接，对于图像处理中卷积应该了解几个关键词：卷积核，锚点，步长，内积，卷积模式

卷积核(kernel)：用来对图像矩阵进行平滑的矩阵，也称为过滤器(filter)

锚点：卷积核和图像矩阵重叠，进行内积运算后，锚点位置的像素点会被计算值取代。一般选取奇数卷积核，其中心点作为锚点

步长：卷积核沿着图像矩阵每次移动的长度

内积：卷积核和图像矩阵对应像素点相乘，然后相加得到一个总和，如下图所示。(不要和矩阵乘法混淆)

卷积模式：卷积有三种模式，FULL, SAME，VALID，实际使用注意区分使用的那种模式。(参考：https://zhuanlan.zhihu.com/p/62760780)

Full：全卷积，full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0，橙色部分为image, 蓝色部分为filter，filter的运动范围如图所示。

Same卷积：当filter的锚点(K)与image的边角重合时，开始做卷积运算，可见filter的运动范围比full模式小了一圈，same mode为full mode 的子集，即full mode的卷积结果包括same mode。

valid卷积：当filter全部在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了，同样valid mode为same mode的子集。valid mode的卷积计算，填充边界中的像素值不会参与计算，即无效的填充边界不影响卷积，所以称为valid mode。

python的scipy包中提供了convolve2d()函数来实现卷积运算，其参数如下：

fromscipy import signal

signal.convolve2d(src,kernel,mode,boundary,fillvalue)

src: 输入的图像矩阵，只支持单通的(即二维矩阵)

kernel：卷积核

mode：卷积类型：full, same, valid

boundary:边界填充方式：fill，wrap, symm

fillvalue: 当boundary为fill时，边界填充的值，默认为0

opencv中提供了flip()函数翻转卷积核，filter2D进行same 卷积, 其参数如下：

dst =cv2.flip(src,flipCode)

src: 输入矩阵

flipCode:0表示沿着x轴翻转，1表示沿着y轴翻转，-1表示分别沿着x轴，y轴翻转

dst:输出矩阵(和src的shape一样)

cv2.filter2D(src,dst,ddepth,kernel,anchor=(-1,-1),delta=0,borderType=cv2.BORDER_DEFAULT)

src: 输入图像对象矩阵

dst:输出图像矩阵

ddepth:输出矩阵的数值类型

kernel:卷积核

anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置

delat:卷积完后相加的常数

borderType:填充边界类型

2 图像平滑

2.1 高斯平滑

高斯平滑即采用高斯卷积核对图像矩阵进行卷积操作。高斯卷积核是一个近似服从高斯分布的矩阵，随着距离中心点的距离增加，其值变小。这样进行平滑处理时，图像矩阵中锚点处像素值权重大，边缘处像素值权重小，下为一个3*3的高斯卷积核：

opencv中提供了GaussianBlur()函数来进行高斯平滑，其对应参数如下：

dst =cv2.GaussianBlur(src,ksize,sigmaX,sigm