原圖片讀入后如下所示，會有很多噪音點
這時就要用到濾波處理來處理這些噪音點，有以下幾種方式：
1、均值濾波
對於一個像素點，可以在它周圍畫一個卷積盒子，用盒子中的均值來代替這個像素點，計算公式為（121+75+...+235）/9
也就相當於一個3×3的卷積矩陣，每個位置的值都為1，該卷積矩陣與像素點矩陣做乘法，然后除以矩陣的大小
經過均值濾波處理后，結果如下：
1 #均值濾波 2 blur=cv2.blur(img,(3,3))
可以看到噪音點比原始圖像少了很多，但還是有一些噪音點
2、方框濾波
方框濾波有兩種情況，如果做了歸一化處理，就和均值濾波一樣
1 #方框濾波(歸一化即和均值濾波一樣) 2 box1=cv2.boxFilter(img,-1,(3,3),normalize=True)
如果不做歸一化處理，就是將卷積盒子中的所有數值加起來，不取平均值，即121+75+...+235
因為像素點的取值范圍是0~255，如果加起來超過這個范圍，顯示出來就是一個白點
1 #方框濾波（不做歸一化處理） 2 box2=cv2.boxFilter(img,-1,(3,3),normalize=False)
3、高斯濾波
在卷積盒子中，有些像素點離中心像素點的距離近一些，那么它和中心像素點的關系更近一些，求平均值的時候權重應該更大一些
例如3×3的盒子中，上下左右就離中心點的距離短一些，四個角距離就稍長些
高斯濾波就是在求均值的基礎上給各個點都加上了權重
1 #高斯濾波 2 gaussian=cv2.GaussianBlur(img,(5,5),1)
4、中值濾波
就是將卷積盒子中的像素點按順序排成一列，取它的中間數，即中位數
24，75，78，104，113，121，154，204，235，中位數是113，就用113來代替中心像素點的值
1 #中值濾波 2 median=cv2.medianBlur(img,5)
可以看到，利用中值濾波處理后，噪音點基本沒有了