opencv：线性和非线性滤波

各种滤波学习
各种滤波：减小图片的噪声点
图像滤波得目的：1、抽出对象的特征作为图像识别的特征
2、消除图像所混入的噪声
平滑滤波：低频增强的滤波：1：模糊 2：消除噪音
%线性滤波器
1）方框滤波-BoxBlur
2）均值滤波-Blur
3）高斯滤波-GaussianBlur
%非线性滤波器
4）中值滤波-medianBlur
5）双边滤波-bilateralFilter
python函数学习
1、方框滤波

cv2.boxFilter（src，dst，ddepth,Size,Point,normalize,borderType）

src:原图片，Mat类型；
dst：目标图片（可默认）
ddepth=-1（默认原始图像深度）
Size：ksize，内核大小
boxFilter所用的核
全1的矩阵:

2、均值滤波
主要是用领域平均，将图片区域的个像素的均值代替原图像的各个像素值。
缺陷：不能很好的保护图片的细节，去除噪声的同时破坏了图片的细节部分。
用blur函数：
3、高斯滤波
可以消除高斯噪声，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，是通过与周围的点经过加权平均得到。就是图像与正态分布做卷积。
函数为：

cv2.GaussianBlur(src,ksize,sigmaX,sigmaY)

src:图片
ksize：高斯核大小
sigmaX，sigmaY：高斯分布的方差。
高斯计算：
通过对卷积核（高斯核）进行权重分配，权重分配遵循高斯分布，接着对矩阵做高斯滤波。高斯权重分配矩阵：假设以中心点为原点（0，0），其他点在正太分布的曲线上。

非线性滤波
有时非线性滤波会得到更好的效果。在噪声不是高斯噪声而是散粒噪声时，即图像偶尔会出现很大的值得时候，用高斯滤波只是将其变得更加柔和而已。
1）中值滤波
思想：用像素点邻域灰度值，的中值代替像素的灰度值，该方法去除椒盐噪声、脉冲噪声又同时保留图像的边缘细节。
计算方式:选择每个像素的邻域像素中的中值作为输出。
函数：

cv2.medianBlur(src,ksize)%ksize:表示必须是奇数

2）双边滤波
结合图像的空间领域和像素相似度的一种这种方法。考虑到了空间信息和灰度值信息，从而进行去燥。
双边滤波可以很好的保留边缘信息。

函数为

cv2.bilateralFilter(img,4,25,25))cv2.bilateralFilter(src,d,sigmaColor,sigmaspace)

src:原始图像
d:每个像素领域的直径
sigmaColor：颜色空间滤波器sigma的值，参数越大表明与邻域像素相关性越大
sigmaSpace：空间坐标中sigma的值，坐标方差大，表明越远的像素会相互影响。