1.cv2.blur(img, (3, 3)) 進行均值濾波
參數說明：img表示輸入的圖片， (3, 3) 表示進行均值濾波的方框大小
2. cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示進行方框濾波，
參數說明當normalize=True時，與均值濾波結果相同， normalize=False，表示對加和后的結果不進行平均操作，大於255的使用255表示
3. cv2.Guassianblur(img, (3, 3), 1) 表示進行高斯濾波，
參數說明: 1表示σ， x表示與當前值得距離，計算出的G(x)表示權重值
4. cv2.medianBlur(img, 3) #中值濾波，相當於將9個值進行排序，取中值作為當前值
參數說明：img表示當前的圖片，3表示當前的方框尺寸
在圖像的讀取中，會存在一些躁聲點，如一些白噪聲，因此我們需要進行去躁操作
代碼：
1.原始圖片的輸入
2.使用cv2.blur進行均值濾波
3.使用cv2.boxfilter 進行方框濾波， 比較normalize=True or normalize=False
4.使用cv2.GussianBlur 進行高斯濾波
5. 使用cv2.medianBlur 進行中值濾波
6.做一個合並顯示
import cv2 import numpy as np # 1.圖片中存在一些噪音點 img = cv2.imread('lenaNoise.png') cv2.imshow('original', img) cv2.waitKey(0) cv2.destroyAllWindows()
# 2. cv2.blur 使用均值濾波，即當對一個值進行濾波時，使用當前值與周圍8個值之和，取平均做為當前值 mean = cv2.blur(img, (3, 3)) cv2.imshow('mean', mean) cv2.waitKey(0) cv2.destroyAllWindows()
# 3. cv2.boxFilter 表示進行方框濾波 box = cv2.boxFilter(img, -1, (3, 3), normalize=True) cv2.imshow('box', box) cv2.waitKey(0) cv2.destroyAllWindows() # 當normalize=False 表示對加和后的9個點，不進行求平均的操作，如果加和后的值大於255，使用255表示 box_1 = cv2.boxFilter(img, -1, (3, 3), normalize=False) cv2.imshow('box_1', box_1) cv2.waitKey(0) cv2.destroyAllWindows()
# 4. cv2.GaussianBlur 根據高斯的距離對周圍的點進行加權,求平均值1，0.8， 0.6， 0.8 gaussian = cv2.GaussianBlur(img, (5, 5), 1) cv2.imshow('gaussian', gaussian) cv2.waitKey(0) cv2.destroyAllWindows()
# 5. cv2.medianBlur #將9個數據從小到大排列，取中間值作為當前值 median = cv2.medianBlur(img, 3) cv2.imshow('median', median) cv2.waitKey(0) cv2.destroyAllWindows()
# 6. 做一個合並顯示 imags = np.vstack((mean, gaussian, median)) cv2.imshow('all', imags) cv2.waitKey(0) cv2.destroyAllWindows()
