一：低通滤波器
低通滤波器的目标是降低图像的变化率，比如将第一个像素替换为该像素周围像素的均值。这样就可以平滑并替代那些强度变化明显的区域。
OpenCV 使用blur 函数做到：
dst = cv2.blur(image,(5,5)); # dst -- 处理后的图像# image -- 待平滑处理的图像#（5，5） -- 低通滤波器的大小
简单使用示例：
#!/usr/bin/env python # encoding: utf-8 import cv2 import numpy as np img = cv2.imread("2.jpg", 0) result = cv2.blur(img, (5,5)) cv2.imshow("Origin", img) cv2.imshow("Blur", result) cv2.waitKey(0) cv2.destroyAllWindows()
图像效果：
相同滤波效果函数：boxFilter
result1 = cv2.boxFilter(img, -1, (5, 5))
二：高斯滤波
与低通滤波器不同，低通滤波器中每个像素的权重是相同的，即滤波器是线性的。而高斯滤波器中像素的权重与其距中心像素的距离成比例。
在一些需要对一个像素的周围的像素给予更多的重视，可以通过分配权重来重新计算这些周围点值。这可通过高斯函数（钟形函数，即喇叭形数）
的权重方案来解决。
cv::GaussianBlur
result = cv2.GaussianBlur(img,(5,5),1.5)
三：中值滤波器
中值滤波器是非线性滤波器，它对消除椒盐现象特别有用，
result = cv2.medianBlur(image,5)
image -- 原图像
5 -- 孔径尺寸，一个大于1的奇数。5 中值滤波器会使用 5 x 5 的范围来计算。即对像素的中心值及其 5 x 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。
如果在某个像素周围有白色或黑色的像素，这些白色或黑色的像素不会选择作为中值（最大或最小值不用），而是被替换为邻域值，示例如下：
#!/usr/bin/env python # encoding: utf-8 import cv2 import numpy as np def salt(img, n): for k in range(n): i = int(np.random.random() * img.shape[1]); j = int(np.random.random() * img.shape[0]); if img.ndim == 2:img[j,i] = 255 elif img.ndim == 3:img[j,i,0]= 255 img[j,i,1]= 255 img[j,i,2]= 255 return img img = cv2.imread("2.jpg", 0) result = salt(img, 500) median = cv2.medianBlur(result, 5) cv2.imshow("Salt", result) cv2.imshow("Median", median) cv2.waitKey(0)
效果图：
中值滤波不会处理最大和最小值，所以就不会受到噪声的影响。相反如果直接采用 blur（低通滤波器）进行均值滤波，
则不会区分这些噪声点，滤波后的图像会受到噪声的影响。
中值滤波器的在处理边缘也有优势。但中值滤波器会清除某些区域的纹理（如背景中的树）
参考和转载：
/sunny2038/article/details/9155893
如果觉得《Python OpenCV 滤波器 使用（八）》对你有帮助，请点赞、收藏，并留下你的观点哦！
