本文为博主原创文章，转载请标明链接。 https://blog.csdn.net/zaishuiyifangxym/article/details/89788020
目录
1 图像增强——图像平滑
1.1 图像增强简介
1.2 图像平滑
2 均值滤波
3 中值滤波
4 高斯滤波
参考资料
1 图像增强——图像平滑

1.1 图像增强简介

图像增强是对图像进行处理，使其比原始图像更适合于特定的应用，它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等，图像增强是进行强调或锐化，以便于显示、观察或进一步分析与处理。图像增强主要是一个主观过程，而图像复原大部分是一个客观过程。图像增强的方法是因应用不同而不同的，研究内容包括：
1.2 图像平滑

图像平滑是一种区域增强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量（某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染）。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。
图像平滑 有均值滤波、方框滤波、中值滤波和高斯滤波等。下面将介绍常用的均值滤波、中值滤波和高斯滤波。
为了实验方便，首先给图像加一点噪声。
代码如下所示：
-- coding:utf-8 --
import cv2

import numpy as np
读取图片
img = cv2.imread(“zxp.jpg”, cv2.IMREAD_UNCHANGED)

img_noise=img
cv2.imshow(“src”, img)
rows, cols, chn = img_noise.shape
加噪声
for i in range(5000):

x = np.random.randint(0, rows)

y = np.random.randint(0, cols)

img_noise[x, y, :] = 255
cv2.imshow(“noise”, img_noise)
等待显示
cv2.waitKey(0)

cv2.destroyAllWindows()
#保存含噪声图像

cv2.imwrite(“zxp_noise.jpg”, img_noise)
运行结果如下图所示：
2 均值滤波

均值滤波是指任意一点的像素值，都是周围  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=55 是蓝色区域的大小。
均值滤波详细的计算方法如下图所示：
其中55的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像，如下图所示：
提取 1/25 可以将核转换为如下形式：
Python调用OpenCV实现 均值滤波 的函数如下：
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）。
（1） 核大小为 33
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)

source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

https://blog.csdn.net/zxc131405/article/details/95739836

https://blog.csdn.net/zxc131405/article/details/95739686

https://blog.csdn.net/zxc131405/article/details/95739648
均值滤波
result = cv2.blur(source, (3, 3)) #可以更改核的大小
显示图形
titles = [‘Source Image’, ‘Blur Image (3, 3)’]

images = [source, result]

for i in range(2):

plt.subplot(1, 2, i + 1), plt.imshow(images[i], ‘gray’)

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()
运行结果如下图所示：
（2） 核大小为 55
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)

source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
均值滤波
result = cv2.blur(source, (5, 5)) #可以更改核的大小
显示图形
titles = [‘Source Image’, ‘Blur Image (5, 5)’]

images = [source, result]

for i in range(2):

plt.subplot(1, 2, i + 1), plt.imshow(images[i], ‘gray’)

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()
运行结果如下图所示：
（2） 核大小为 1010
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)

source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
均值滤波
result = cv2.blur(source, (10, 10)) #可以更改核的大小
显示图形
titles = [‘Source Image’, ‘Blur Image (10, 10)’]

images = [source, result]

for i in range(2):

plt.subplot(1, 2, i + 1), plt.imshow(images[i], ‘gray’)

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()
运行结果如下图所示：
注：
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 中值滤波

在使用邻域平均法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，在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口，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：
http://www.dianyuan.com/people/793898

http://www.dianyuan.com/people/793899

http://www.dianyuan.com/people/793900

http://www.dianyuan.com/people/793901

http://www.dianyuan.com/people/793902

http://www.dianyuan.com/people/793903

http://www.dianyuan.com/people/793904

http://www.dianyuan.com/people/793905

http://www.dianyuan.com/people/793906

http://www.dianyuan.com/people/793907

http://www.dianyuan.com/people/793908

http://www.dianyuan.com/people/793909

http://www.dianyuan.com/people/793910

http://www.dianyuan.com/people/793911

http://www.dianyuan.com/people/793912

http://www.dianyuan.com/people/793913

http://www.dianyuan.com/people/793914

http://www.dianyuan.com/people/793915

http://www.dianyuan.com/people/793916

http://www.dianyuan.com/people/793917

http://www.dianyuan.com/people/793918
Python调用OpenCV实现 中值滤波 的函数如下：
OpenCV主要调用 medianBlur() 函数实现中值滤波。图像平滑里中值滤波的效果最好。
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。
（1）核大小为 33
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)
中值滤波
result = cv2.medianBlur(img, 3)#可以更改核的大小
显示图像
cv2.imshow(“source img”, img)

cv2.imshow(“medianBlur”, result)
等待显示
cv2.waitKey(0)

cv2.destroyAllWindows()
运行结果如下图所示：
（2）核大小为 55
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)
中值滤波
result = cv2.medianBlur(img, 5) #可以更改核的大小
显示图像
cv2.imshow(“source img”, img)

cv2.imshow(“medianBlur”, result)
等待显示
cv2.waitKey(0)

cv2.destroyAllWindows()
运行结果如下图所示：
（3）核大小为 77
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)
中值滤波
result = cv2.medianBlur(img, 7) #可以更改核的大小
显示图像
cv2.imshow(“source img”, img)

cv2.imshow(“medianBlur”, result)
等待显示
cv2.waitKey(0)

cv2.destroyAllWindows()
运行结果如下图所示：
注：
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）在代码 dst = cv2.medianBlur(src, ksize) 中 填写核大小时，只需填写一个数即可，如3、5、7等，对比均值滤波函数用法。
4 高斯滤波

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 33 和 55 邻域的高斯模板。
（1）核大小为 33
（1）核大小为 55
高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，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。
Python中OpenCV主要调用 GaussianBlur() 函数，如下：
dst = cv2.GaussianBlur(src, ksize, sigmaX)
其中，参数：
src 表示原始图像；
ksize 表示核大小；
sigmaX 表示X方向方差。
注：核大小（N, N）必须是奇数，X方向方差主要控制权重。
1）核大小为 33
2）核大小为 55
（1）核大小为 33
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)

source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
高斯滤波
result = cv2.GaussianBlur(source, (3, 3), 0) #可以更改核大小
显示图形
titles = [‘Source Image’, ‘GaussianBlur Image (3, 3)’]

images = [source, result]

for i in range(2):

plt.subplot(1, 2, i + 1), plt.imshow(images[i], ‘gray’)

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()
运行结果如下图所示：
（2）核大小为 55
代码如下所示：
encoding:utf-8
import cv2

import numpy as np

import matplotlib.pyplot as plt
读取图片
img = cv2.imread(‘zxp_noise.jpg’)

source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
高斯滤波
result = cv2.GaussianBlur(source, (5, 5), 0) #可以更改核大小
显示图形
titles = [‘Source Image’, ‘GaussianBlur Image (5, 5)’]

images = [source, result]

for i in range(2):

plt.subplot(1, 2, i + 1), plt.imshow(images[i], ‘gray’)

plt.title(titles[i])

plt.xticks([]), plt.yticks([])

plt.show()
运行结果如下图所示：
注：
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
作者：在水一方xym

来源：CSDN

原文：https://blog.csdn.net/zaishuiyifangxym/article/details/89788020

版权声明：本文为博主原创文章，转载请附上博文链接！

本篇博客讲述对图像进行均值滤波，中值滤波，高斯滤波，高斯边缘检测
滤波的意义在于：刚获得的图像有很多噪音。这主要由于平时的工作和环境引起的，图像增强是减弱噪音，增强对比度。想得到比较干净清晰的图像并不是容易的事情。为这个目标而为处理图像所涉及的操作是设计一个适合、匹配的滤波器和恰当的阈值。

(1) 均值滤波器：最简单均值滤波器是局部均值运算，即每一个像素只用其局部邻域内所有值的平均值来置换.

(2) 高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性滤波器。 高斯平滑滤波器对去除服从正态分布的噪声是很有效的。

非线性滤波器:

(1) 中值滤波器:均值滤波和高斯滤波运算主要问题是有可能模糊图像中尖锐不连续的部分。

中值滤波器的基本思想使用像素点邻域灰度值的中值来代替该像素点的灰度值，它可以去除脉冲噪声、椒盐噪声同时保留图像边缘细节。

中值滤波不依赖于邻域内与典型值差别很大的值，处理过程不进行加权运算。

中值滤波在一定条件下可以克服线性滤波器所造成的图像细节模糊，而对滤除脉冲干扰很有效。
代码展示：
import cv2
import numpy as np
# 读取图像
img = cv2.imread('../img/test14.bmp')
print(img.shape)

#对图像进行均值滤波
img_mean = cv2.blur(img, (5, 5))
cv2.putText(img_mean,"img_mean",(50,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(255,0,0),4)

#对图像进行中值滤波
img_median = cv2.medianBlur(img, 5)
cv2.putText(img_median,"img_median",(50,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(255,0,0),4)

#对图像进行高斯滤波
img_Guassian = cv2.GaussianBlur(img,(5,5),0)
cv2.putText(img_Guassian,"img_Guassian",(50,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(255,0,0),4)

#对图像进行高斯边缘检测  下面的三行是我自己乱写的，我实际上用的是拉普拉斯算子
laplacian = cv2.Laplacian(img_Guassian, cv2.CV_16S, ksize=5)
dst = cv2.convertScaleAbs(laplacian)
cv2.putText(dst,"img_bilater",(50,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(255,0,0),4)


#图像显示
cv2.imshow("img_bilater",dst)
cv2.imshow("gussianEdgeDetection",gas)
cv2.imshow("img",img)
cv2.imshow("img_mean",img_mean)
cv2.imshow("img_median",img_median)
cv2.imshow("img_Guassian",img_Guassian)
cv2.waitKey(0)
cv2.destroyAllWindows()



查看某些资料，高斯滤波被某些大佬这样写，仅借鉴！！
gau_matrix = np.asarray([[-2/28,-5/28,-2/28],[-5/28,28/28,-5/28],[-2/28,-5/28,-2/28]])
img1 = np.zeros(img.shape)
hight,width,v = img.shape
for i in range(1,hight-1):
    for j in range(1,width-1):
        img1[i-1,j-1] = np.sum(img[i-1:i+2,j-1:j+2]*gau_matrix)
gas = img1.astype(np.uint8)
cv2.putText(gas,"gussianEdgeDetection",(50,50),cv2.FONT_HERSHEY_SIMPLEX,1.5,(255,0,0),4)


运行效果图：

中值滤波属于非线性滤波的一种，高斯滤波属于线性滤波的一种。在Opencv中有高斯滤波的函数，但是中值滤波需要通过排序实现。
一、中值滤波
原理：中值滤波使用一个围绕当前像素的矩形，查找区域内像素的中值，并用该中值替换矩形区域内的其它像素点。

应用场合：中值滤波对于散射噪声的处理比较理想，因为散射噪声通常与周围像素值的差异非常大。但中值滤波的性能一般，因为算法执行过程中，要使用中值对其它像素进行替换。而且对于高斯噪声的处理不理想，不过可以通过追加针对区域像素最大值与最小值的忽略，来计算中值。
二、高斯滤波
原理：是针对图像中的每一个点与高斯内核进行卷积计算，并将计算结果相加，输出到目标图像中。

应用场合：高斯滤波是图像处理，计算机视觉里面最常见的操作。高斯滤波的通用性与性能都比较好，并且由于是线性滤波，对于卷积计算过程，可以通过对Kernel的降维，使算法的时间复杂度由n^2降为n∗2。

自编一个中值滤波函数mymedfilt2(A, [m,n])，实现Matlab中的medfilt2函数的功能（边缘采用复制的方式）；对自选的灰度图像加上椒盐噪声，用自编的函数对其进行中值滤波。
主程序：
// An highlighted block
clear;clc;
img=imread('rice.png');
n=3;m=4;
str='sample';
%str='zeros';
[img1,img2,img3]=mymedfilt2(img,n,m,str);
subplot(221), imshow(img), title('原图')
subplot(222), imshow(img1), title('加入椒盐噪声后')
subplot(223), imshow(img2), title([num2str(n),'X',num2str(m),'自定中值滤波'])
subplot(224), imshow(img3), title([num2str(n),'X',num2str(m),'原有中值滤波'])
mymedfilt2类：
// An highlighted block
function [J,x2,x3] = mymedfilt2(img, n, m, str)
% clear;clc;
% str='sample';
% img=imread('rice.png');
% n=3;m=3;
% if(strcmp(str,'sample')==strcmp(str,'zeros'))
%     return
% end
J=imnoise(img, 'salt & pepper',0.04);
tend_img=img;
[h,w]=size(img);
if(mod(n,2)~=mod(m,2))           %若模板行与列分别为偶数和奇数
    if (strcmp(str,'sample'))           
 for i=1:round((n/2))-1                      %复制填充 
    tend_img=[img(1:h);tend_img];
    end
for i=1:n/2                             
    tend_img=[tend_img;img(end,:)];
end
[h,w]=size(tend_img);
for i=1:round((m/2))-1                        
    tend_img=[tend_img(1:h,1),tend_img];
end
for j=1:m/2                         
    tend_img=[tend_img,tend_img(:,end)];
end
 else                                
        for i=1:(n/2)-1                     %零填充   
            tend_img=[zeros(1,h);tend_img];
        end
                for i=1:n/2                       
            tend_img=[tend_img;zeros(1,h)];
        end
        [h,w]=size(tend_img);
         for i=1:(m/2)-1                        
            tend_img=[zeros(h,1),tend_img];
        end
                 for j=1:m/2                         
            tend_img=[tend_img,zeros(h,1)]; 
         end
    end
  
elseif (strcmp(str,'sample'))          %奇数 复制填充
for i=1:n/2                         
    tend_img=[img(1,:);tend_img;img(end,:)];
end
for j=1:m/2                         
    tend_img=[tend_img(:,1),tend_img,tend_img(:,end)];
end
elseif(strcmp(str,'zeros'))                 %奇数 零填充
        for i=1:n/2                        
            tend_img=[zeros(1,h);tend_img;zeros(1,h)];
        end
        [r,h]=size(tend_img);
         for j=1:m/2                        
            tend_img=[zeros(r,1),tend_img,zeros(r,1)]; 
         end
end
[h,w]=size(tend_img);
x1=double(tend_img);
for i=1:h-n+1
    for j=1:w-m+1
        c=x1(i:i+(n-1),j:j+(m-1));  %取模板覆盖图像
        c=c(:);                     %转变为列
        mid=median(c);              %取中值
        x2(i,j)=round(mid);         %四舍五入
    end
end
x2=uint8(x2);
x3=medfilt2(img,[n,m]);             %原中值滤波函数
end
%img(1:end+3,end+1:end+3)=0;
% clc
%  for I=248:256
%  A=[tend_img(2:4,I:I+2)]
%  mid=round(median(A(:)))
%  end
效果图：
原图：



加入噪声后：



自定义中值滤波：



自带中值滤波：