1.cv2.blur(img, (3, 3)) 进行均值滤波
参数说明：img表示输入的图片， (3, 3) 表示进行均值滤波的方框大小
2. cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示进行方框滤波，
参数说明当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示
3. cv2.Guassianblur(img, (3, 3), 1) 表示进行高斯滤波，
参数说明: 1表示σ， x表示与当前值得距离，计算出的G(x)表示权重值
4. cv2.medianBlur(img, 3) #中值滤波，相当于将9个值进行排序，取中值作为当前值
参数说明：img表示当前的图片，3表示当前的方框尺寸
在图像的读取中，会存在一些躁声点，如一些白噪声，因此我们需要进行去躁操作
代码：
1.原始图片的输入
2.使用cv2.blur进行均值滤波
3.使用cv2.boxfilter 进行方框滤波， 比较normalize=True or normalize=False
4.使用cv2.GussianBlur 进行高斯滤波
5. 使用cv2.medianBlur 进行中值滤波
6.做一个合并显示
import cv2 import numpy as np # 1.图片中存在一些噪音点 img = cv2.imread('lenaNoise.png') cv2.imshow('original', img) cv2.waitKey(0) cv2.destroyAllWindows()
# 2. cv2.blur 使用均值滤波，即当对一个值进行滤波时，使用当前值与周围8个值之和，取平均做为当前值 mean = cv2.blur(img, (3, 3)) cv2.imshow('mean', mean) cv2.waitKey(0) cv2.destroyAllWindows()
# 3. cv2.boxFilter 表示进行方框滤波 box = cv2.boxFilter(img, -1, (3, 3), normalize=True) cv2.imshow('box', box) cv2.waitKey(0) cv2.destroyAllWindows() # 当normalize=False 表示对加和后的9个点，不进行求平均的操作，如果加和后的值大于255，使用255表示 box_1 = cv2.boxFilter(img, -1, (3, 3), normalize=False) cv2.imshow('box_1', box_1) cv2.waitKey(0) cv2.destroyAllWindows()
# 4. cv2.GaussianBlur 根据高斯的距离对周围的点进行加权,求平均值1，0.8， 0.6， 0.8 gaussian = cv2.GaussianBlur(img, (5, 5), 1) cv2.imshow('gaussian', gaussian) cv2.waitKey(0) cv2.destroyAllWindows()
# 5. cv2.medianBlur #将9个数据从小到大排列，取中间值作为当前值 median = cv2.medianBlur(img, 3) cv2.imshow('median', median) cv2.waitKey(0) cv2.destroyAllWindows()
# 6. 做一个合并显示 imags = np.vstack((mean, gaussian, median)) cv2.imshow('all', imags) cv2.waitKey(0) cv2.destroyAllWindows()
