opencv3 - 3滤波

滤波实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号。
其中像素点灰度值的高低代表信号的强弱。
高频：图像中灰度变化剧烈的点。
低频：图像中平坦的，灰度变化不大的点。

根据图像的高频与低频的特征，我们可以设计相应的高通与低通滤波器。

• 高通滤波：可以检测图像中尖锐、变化明显的地方（锐化图像）
• 低通滤波：可以让图像变得光滑，滤除图像中的噪声（平滑图像）

线性滤波

均值模糊

不能很好的保留图像的细节。

dst = cv.blur(src, ksize)

ksize - 用于平滑操作的核的大小。
（1， 15）水平模糊, 1*15的矩阵
（15， 1）垂直模糊

dst = cv.blur(image, (30, 1)) 

blur()平滑图像的函数，它用一个点邻域内像素的平均灰度值来代替该点的灰度
平滑模糊、高斯模糊这两个滤波器，都是邻域内的像素按照一个权重相加，最后设置为当前点的灰度值，这种操作又称为卷积。
这样的滤波器叫线性滤波器，另外还有一种非线性的滤波器，比如中值滤波器，它是取邻域内所有像素的中值作为当前点的灰度值。

高斯模糊

高斯滤波是指用高斯函数作为滤波函数的滤波操作，高斯模糊就是高斯低通。越靠近该像素的点提供越高的权重，计算平均值作为插值。
ksize高斯内核的大小，其中ksize.height和size.width可以不同，但是必须为正数&&奇数，或者是0（由sigma计算而来）
double类型的sigmaX，表示高斯核函数在X轴方向的标准偏差。
double类型的sigmaY，表示高斯核函数在Y轴方向的标准偏差。
若为0则设为sigmaX；两者都为0则由ksize.height和size.width计算出来。

高斯随机噪声图片：

numpy.random.normal(loc=0.0, scale=1.0, size=None)

loc：float此概率分布的均值（对应着整个分布的中心centre）
scale：float此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints

非线性滤波

中值滤波

https://blog.csdn.net/weixin_37720172/article/details/72627543
取邻域内所有像素的中值作为当前点的灰度值。
可用于去掉椒盐噪声，脉冲噪声，又能保留图像的边缘细节。
（花费时间是均值滤波的五倍以上）对细节（细、尖顶）很多的图像不太合适。

dst = cv.medianBlur(image, 5)

ksize参数表示滤波窗口尺寸，必须是奇数并且大于1。比如这里是5，中值滤波器就会使用5×5的范围来计算，即对像素的中心值及其5×5邻域组成了一个数值集，对其进行处理计算，当前像素被其中值替换掉。

双边滤波

Bilateral filter结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性。

• edge preserving
  比高斯滤波多了一个高斯方差sigma-d
  边缘保留滤波Edge Preserving Filter
  高斯双边
  差异很大，就是显著特征，会被平滑掉

双边滤波函数
可以在保证边界清晰的情况下，有效的去掉噪声。考虑了图像空间关系，也考虑了灰度关系。双边滤波同时使用了空间高斯权重、灰度相似性高斯权重，确保了边界不会被模糊掉。

cv2.bilateralFilter(img,d,’p1’,’p2’)

d是领域的直径，
空间高斯函数标准差
灰度值相似性高斯函数标准差

用户自定义模糊

dst = cv.filter2D(src, ddepth, kernel)

ddepth
表示目标图像深度，输入值为-1时，目标图像和原图像深度保持一致

kernel
卷积核（或者是相关核）,一个单通道浮点型矩阵。修改kernel矩阵即可实现不同的模糊。
https://www.cnblogs.com/hihilary/archive/2012/11/27/2777973.html
通道表示每个点能存放多少个数，类似于BGR彩色图中的每个像素点有三个值，即三通道的。
图片中的深度表示每个值由多少位来存储，是一个精度问题，一般图片是8bit（位）的，则深度是8。

def customer_blur_demo(image):
    # kernel = np.ones([5, 5], np.float32)/25
    # [0, -1, 0], [-1, 5, -1], [0, -1, 0]
    # [1, 1, 1], [1, 1, 1], [1, 1, 1]/9
    kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)
    dst = cv.filter2D(image, -1, kernel)
    cv.imshow("customer_blur", dst)