图像平滑算法介绍

1. 均值滤波

均值滤波是指任意一点的像素值，都是周围 N * M 个像素值的均值。例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=5 * 5 是蓝色区域的大小。

其中5 * 5的矩阵称为核，

# 实现方法为 result = cv2.blur(原始图像,核大小) 
# 其中，核大小是以（宽度，高度）表示的元组形式。常见的形式包括：核大小（3，3）和（5，5）。 
result = cv2.blur(source, (3, 3)) 

1）随着核大小逐渐变大，会让图像变得更加模糊；
2）如果设置为核大小为（1，1），则结果就是原始图像。
3)  均值滤波减小了图像灰度的“尖锐变化”，起到了减噪的作用。但是均值滤波处理带来了边缘模糊的负面效应

2. 中值滤波

在使用均值滤波去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以保留边界信息。选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。计算过程如下图所示：

#dst = cv2.medianBlur(src, ksize)
#其中，参数：
#src 表示源图像；
#ksize 表示核大小。核必须是大于1的奇数，如3、5、7等。
result = cv2.medianBlur(img, 3)

1）随着核大小逐渐变大，会让图像变得更加模糊；
2）核必须是大于1的奇数，如3、5、7等；

3 高斯滤波

图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4。

#dst = cv2.GaussianBlur(src, ksize, sigmaX)
#其中，参数：
#src 表示原始图像；
#ksize 表示核大小,必须是奇数；
#sigmaX 表示X方向方差,主要控制权重。

result = cv2.GaussianBlur(source, (5, 5), 0)

1）随着核大小逐渐变大，会让图像变得更加模糊；

2）核大小（N, N）必须是大于1的奇数，如3、5、7等；

3）核大小为 33  

4）核大小为 55

核数据计算公式如下