本文主要讲解Python如何调用OpenCV实现图像平滑，包括均值滤波、盒式滤波、高斯滤波和中值滤波四种算法。整篇文章都是基础知识，希望对您有所帮助。

一.图像平滑

1.图像增强

图像增强是对图像进行处理，使其比原始图像更适合特定应用。需要与实际应用相结合。图像增强是强调或锐化图像的某些特征，如边缘、轮廓、对比度等，以利于显示、观察或进一步分析处理。图像增强方法因应用而异。研究内容包括：（参考课件及左飞的《数字图像处理》）

2.图像平滑

简单平滑邻域平均法

3.邻域平均法

图像简单平滑是指通过简单邻域平均来平滑图像的方法。该方法可以消除原始图像中的噪声，并在一定程度上降低原始图像的对比度。它利用卷积运算对图像邻域内的像素灰度进行平均，从而达到减少图像中噪声的影响、降低图像对比度的目的。

然而，邻域平均的主要缺点是它在减少噪声的同时使图像变得模糊，特别是在边缘和细节处。而且邻域越大，在增强去噪能力的同时，模糊程度也越严重。

首先给出给图像添加噪声的代码。

# -*-coding:utf-8 -*-import cv2import numpy as np#读取图像img=cv2.imread('test.jpg', cv2.IMREAD_UNCHANGED)rows, cols, chn=img.shape#为i in 添加噪声range(5000): x=np.random.randint(0, rows) y=np.random.randint(0, cols) img[x,y,]=255cv2.imshow('noise', img) #等等显示cv2.waitKey(0)cv2.destroyAllWindows()的输出结果如下：

二.均值滤波

1.原理

均值滤波是指任意点的像素值是周围N*M个像素值的平均值。例如下图中，红色点的像素值就是蓝色背景区域的像素值之和除以25。

红色区域像素值均值滤波过程为：((197+25+106+156+159)+(149+40+107+5+71)+(163+198+**226**+223+ 156)+ (222+37+68+193+157)+ (42+72+250+41+75))/25

5*5的矩阵称为核。使用核对原始图像中的像素进行处理以获得结果图像。

提取1/25将内核转换成以下形式：

2.代码

Python调用OpenCV实现均值滤波的核心功能如下：

结果=cv2.blur(原始图像，内核大小)

其中内核大小的原始形式表示为（宽度，高度）。常见形式包括：磁芯尺寸（3, 3）和（5, 5）。

代码如下所示：

#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图像img=cv2.imread('test01.png')source=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#均值滤波结果=cv2. Blur(source, (5,5))#显示图形标题=['源图像', '模糊图像'] images=[源， 结果] for i in xrange(2): plt.subplot(1,2,i +1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()的输出结果如下图所示：

内核设置为(10, 10) 和(20, 20) 会使图像更加模糊。

如果设置为(1, 1)，则处理结果为原始图像，内核中各个权重值相同，称为均值。

三.方框滤波

盒式滤波器和均值滤波器核基本相同，区别在于是否需要归一化。 OpenCV调用boxFilter()函数来实现框过滤。函数如下：

result=cv2.boxFilter(原始图像、目标图像深度、内核大小、归一化属性)

其中，目标图像深度为int类型，通常“-1”表示与原始图像一致；核大小主要包括(3, 3)和(5, 5)，如下所示。

Normalize属性表示是否对目标图像进行归一化。当normalize为true时，需要进行平均处理。当归一化为假时，不进行平均处理。事实上，为了求周围像素的和，很容易出现溢出。溢出时全是白色，对应的像素值为255。

在简单的图像平滑中，算法使用卷积模板来逐个处理图像中的每个像素。这个过程可以形象地比喻为图像处理中对原始图像的像素一一进行过滤排序，以及邻近像素一一处理的算法过程。称为过滤器。平滑线性滤波器的工作原理是利用模板对邻域像素的灰度进行加权平均，也称为均值滤波器。

代码如下所示：

#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片img=cv2.imread('test01.png')source=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#Box filter result=cv2 .boxFilter (source, -1, (5,5), normalize=1)#显示图形标题=['Source Image', 'BoxFilter Image'] images=[source, result] for i in xrange(2): plt .subplot (1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt . show() 代码使用5*5 核心。 Normalize=1表示标准化处理。这与均值过滤相同。输出结果如下图所示：

下面是图像左上角处理前后的像素结果：

打印(源[0:3, 0:3, 0])#[[115 180 106]# [ 83 152 72]# [ 55 58 55]]打印(结果[0:3, 0:3, 0])#[[92 90 78]# [92 89 77]# [82 80 72]]如果省略归一化参数，则默认进行归一化。如果normalize=0，则不进行归一化，像素值为周围像素之和，图像大部分为白色。

#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片img=cv2.imread('test01.png')source=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#Box filter result=cv2 .boxFilter (source, -1, (5,5), normalize=0)#显示图形标题=['Source Image', 'BoxFilter Image'] images=[source, result] for i in xrange(2): plt .subplot (1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt 输出.show()的如下所示：

上图中的许多像素都是白色的，因为图像的总和几乎总是255。如果设置2*2 矩阵，如果只取四个像素，结果会更好。结果=cv2.boxFilter(源， -1, (2,2), 归一化=0)

四.高斯滤波

为了克服简单的局部平均方法（图像模糊）的缺点，人们提出了许多保持边缘和细节的局部平滑算法。他们的出发点集中在如何选择邻域的大小、形状和方向、参数平均以及邻域内每个商店的权重系数。

图像高斯平滑也是一种基于邻域平均思想的对图像进行平滑的方法。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不同的权重。高斯平滑不同于简单平滑。对邻域内的像素进行平均时，它对不同位置的像素赋予不同的权重。下图显示了3 * 3和5 * 5字段中的高斯模板。

高斯滤波赋予附近像素更高的重要性，并计算周围像素的加权平均值。越近的像素具有越大的权重值。如下图所示，中心位置权重高达0.4。

Python中的OpenCV主要调用GaussianBlur函数，如下：

dst=cv2.GaussianBlur(src, ksize, sigmaX)

其中，src表示原始图像，ksize表示内核大小，sigmaX表示X方向方差。注意，核大小(N,N)必须是奇数，X方向方差主要控制权重。

代码如下：

#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片img=cv2.imread('test01.png')source=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#高斯滤波result=cv2. GaussianBlur(source, (3,3), 0)#显示图形标题=['源图像', 'GaussianBlur图像'] images=[source, result] for i in xrange(2): plt.subplot(1,2 ,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show() 输出结果如下图：

如果使用15*15的内核，图形会更加模糊。

五.中值滤波

1.概念

使用邻域平均法去除噪声的同时，也模糊了边界。中值滤波是一种非线性图像处理方法，在去噪的同时可以考虑到边界信息的保留。选择一个包含奇数个点的窗口W，在图像上扫描这个窗口，将窗口中包含的像素按灰度级升序或降序排列，用中间的灰度值替换该点的灰度值。例如，选择进行滤波的窗口如下图所示，为一维窗口。待处理像素的灰度值是该模板中灰度值的中值。过滤过程如下：

如下图所示，相邻像素按照大小排列，位于排序像素中间的值作为中值滤波的像素值。

2.代码

OpenCV主要调用medianBlur()函数来实现中值滤波。中值滤波对于图像平滑效果最好。

dst=cv2.medianBlur(src, ksize)

其中，src代表源文件，ksize代表核心大小。核心必须是大于1的奇数，如3、5、7等。

代码如下所示：

#encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图像img=cv2.imread('test01.png')#高斯滤波result=cv2.medianBlur(img, 3)#显示图像cv2. imshow('source img', img)cv2.imshow('medianBlur', result)#等待显示cv2.waitKey(0)cv2.destroyAllWindows()的输出如下图：

常用的窗户形状有方形、十字形、圆形和环形。不同形状的窗口产生不同的过滤效果。方形和圆形窗口适用于具有长外轮廓的物体的图像，而十字形窗口则适用于具有尖角的图像。中值滤波对于消除孤立点和线段的干扰非常有用，特别是对于二值噪声，但对于消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，可以多次使用不同的中值滤波器。

希望这篇文章对大家有所帮助。如果有任何错误或不足之处，请告诉我。