10_图像平滑处理

# 图像平滑处理d
# 1. 均值滤波
import cv2 #opencv的缩写为cv2
import matplotlib.pyplot as plt # matplotlib库用于绘图展示
import numpy as np   # numpy数值计算工具包

# 魔法指令，直接展示图，Jupyter notebook特有
# %matplotlib inline

img = cv2.imread('D:/pycharm/pycharm-cope/opencv/resource/photo/04_LenaNoise.png')
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 均值滤波
# 简单的平均卷积操作，方框中的值相加，取平均，替换掉中心204的值
blur = cv2.blur(img,(3,3)) # (3,3) 为核的大小，通常情况核都是奇数 3、5、7
cv2.imshow('blur',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 2. 方框滤波
# 方框滤波
# 基本和均值一样，可以选择归一化
# 在 Python 中 -1 表示自适应填充对应的值，这里的 -1 表示与颜色通道数自适应一样
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)  # 方框滤波如果做归一化，得到的结果和均值滤波一模一样
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 方框滤波
# 基本和均值一样，可以选择归一化，容易越界
box = cv2.boxFilter(img, -1, (3, 3), normalize=False)  # 越界的值取 255
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 3. 高斯滤波
# 高斯函数，越接近均值时，它的概率越大。
# 离中心值越近的，它的权重越大，离中心值越远的，它的权重越小。

aussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('aussian', aussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

 # 4. 中值滤波
 # 中值滤波
 # 排序后拿中值替代中间元素值的大小

median = cv2.medianBlur(img, 5)
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 5. 展示所有滤波
# 展示所有的
res = np.hstack((blur, aussian, median)) # 矩阵横着拼接
#res = np.vstack((blur,aussian,median)) # 矩阵竖着拼接
print(res)
cv2.imshow('median vs average', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

 结果展示