空间滤波器

图像滤波常用于平滑图像、去除噪音和边缘检测等任务。基于局部图像。

基本原理：像素p的输出值由输入图像中像素p及其周围邻域N中的像素值确定。
计算方法：将邻域N的像素值和一个与邻域同样尺寸的子图像（模板、核、滤波器）进行模板运算。

模板：可看作一幅尺寸为n x n 的小图像W，n一般取奇数，称为模板尺寸，每个位置上的值w被称为权重。在进行计算时，将模板的中心和像素p对齐，选取原始图像中和模板相同范围的邻域N的像素值作为输入。常用的模板运算：模板卷积和模板排序。

模板卷积：用模板与需处理图像空间进行卷积的运算过程。padding

模板排序：用模板来提取待处理图像中与模板同尺寸的图像子集，将邻域N的像素值进行排序，选择特定次序的灰度值作为像素p位置的输出值。最大值、最小值、中位数。

分类：

线性滤波器：盒式滤波器、均值滤波器、高斯滤波器

非线性滤波器：中值滤波器

1、盒式滤波器（方框滤波） 

将像素p邻域的平均值作为输出结果。

盒式滤波器与均值滤波器的区别：盒式滤波器中的每个像素的权重相同，计算均值时，每个像素的贡献相等。

normalize表示在滤波时是否进行归一化：

①当normalize为True时，用邻域像素值的和除以面积，与均值滤波效果一样。

②当normalize为False时，不进行归一化，直接使用领域像素值的和。大于255时取255。

normalize 表示在滤波时是否进行归一化。
      1.当值为True时，归一化，用邻域像素值的和除以面积。此时方框滤波与均值滤波效果相同。
      2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255

def add_peppersalt_noise(image, n=10000): 
    result = image.copy()
    w, h = image.shape[:2]  # 测量图片的长和宽
    for i in range(n):  # 生成n个椒盐噪声
        x = np.random.randint(1, w)
        y = np.random.randint(1, h)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x, y] = 255
    return result


img = cv2.imread("Cat.jpg")
noise = add_peppersalt_noise(img)
boxFilter_1 = cv2.boxFilter(noise, -1, (3, 3), normalize=True)
boxFilter_2 = cv2.boxFilter(noise, -1, (5, 5), normalize=False)
plt.figure()
plt.subplot(221), plt.imshow(img, "gray"), plt.title("original")
plt.subplot(222), plt.imshow(noise, None), plt.title("salt")
plt.subplot(223), plt.imshow(boxFilter_1, None), plt.title("boxFilter_1")
plt.subplot(224), plt.imshow(boxFilter_2, None), plt.title("boxFilter_2")
plt.show()

2、均值滤波

模板的权重都为1的滤波器，将像素的邻域平均值作为输出结果。常用于图像平滑，去除噪声，图像模糊（随模板尺寸的增加，图像变得模糊） 

def add_peppersalt_noise(image, n=10000):  # 定义一个函数 利用这个函数生成噪声图
    result = image.copy()
    w, h = image.shape[:2]  # 测量图片的长和宽
    for i in range(n):  # 生成n个椒盐噪声
        x = np.random.randint(1, w)
        y = np.random.randint(1, h)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0
        else:
            result[x, y] = 255
    return result


img = cv2.imread("Cat.jpg")
noise = add_peppersalt_noise(img)
blur_1 = cv2.blur(noise, (3, 3))
blur_2 = cv2.blur(noise, (5, 5))
plt.figure()
plt.subplot(221), plt.imshow(img, "gray"), plt.title("original")
plt.subplot(222), plt.imshow(noise, None), plt.title("salt")
plt.subplot(223), plt.imshow(blur_1, None), plt.title("3x3")
plt.subplot(224), plt.imshow(blur_2, None), plt.title("5x5")
plt.show()

3、高斯滤波

模板根据高斯分布来确定模板系数，接近中心的权重比边缘大，可以减少由模板尺寸增加所造成的图像模糊。

gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

 

4、中值滤波

将邻域内排序后的中位数值作为输出以代替原像素值（模板排序）。可用于降噪，能保持原图像锐度，对椒盐噪声抑制效果好。属于非线性滤波，可能会破坏像素点的线性关系，不适用于点、线等细节较多的图像或高精度图像。 

median = cv2.medianBlur(img, 5)  # 中值滤波