OpenCV学习之路（七）图像模糊|去除噪声

本章将学习一些去除噪声的方法。
对以后进行图像识别等操作很有意义。

均值滤波

道理不咋懂，直接放函数好了

cv2.blur(img,size)

• size为卷积核尺寸

import numpy as np
import cv2

img=cv2.imread('D://zopencv//ball.jpg')
blur=cv2.blur(img,(5,5))
mask=cv2.resize(blur,None,fx=0.5,fy=0.5,interpolation=cv2.INTER_AREA)
cv2.imshow('image',mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

高斯模糊

把卷积核换成高斯核。（简单来说，方框不变，将原来每个方框的值是 相等的，现在里面的值是符合高斯分布的，方框中心的值最大，其余方框根据 距离中心元素的距离递减，构成一个高斯小山包。原来的求平均数现在变成求 加权平均数，全就是方框里的值）。实现的函数是 cv2.GaussianBlur()。我 们需要指定高斯核的宽和高（必须是奇数）。以及高斯函数沿 X，Y 方向的标准 差。如果我们只指定了 X 方向的的标准差，Y 方向也会取相同值。如果两个标 准差都是 0，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从 图像中去除高斯噪音。

#第三个参数为0是为了让高斯核自己计算标准差
blur=cv2.GaussianBlur(img,(5,5),0)

效果跟中值滤波差不多

中值模糊

常用来去除椒盐噪声。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。 他能有效的去除噪声。卷积核的大小也应该是一个奇数。

blur=cv2.medianBlur(img,5)

双边滤波

双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函 数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有 与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不 会被模糊掉，因为边界处的灰度值变化比较大。

#9邻域直径，两个75分别是空间高斯函数标准差，灰度值相似性高斯函数标准差 
blur=cv2.bilateralFilter(img,9,75,75)