OpenCV4中的图像滤波函数定义，原理，以及区别（Python）

图像滤波

1.方框滤波

方框滤波的滤波器为矩形，滤波器中的所有元素值均相等。定义如下：

dst = boxFilter(src, ddepth, ksize, dst = None, anchor = None, normalize = None, borderType = None）

src:输入图像。
ddepth:处理后的目标图像的深度，若为-1，则深度与原始图像的深度相同。
ksize:滤波运算的核尺寸
dst:输出图像(返回值)。
anchor:锚点。
normalize:核是否需要被归一化处理
borderType:边界模式，由 BorderTypes 定义。

2.均值滤波

将区域内的所有的数全部加起来后，求取平均值取代中心点的中间值。对于边界，只需要提取包括中心点在内的周围点的像素平均值。定义如下：

dst = blur(src, ksize, dst = None, anchor = None, borderType = None)

srC:输入图像。
ksize:滤波运算的核尺寸
dst:输出图像(返回值)。
anchor:锚点。
borderType:边界模式，由BorderTypes 定义。

特点：在图像去噪的同时破坏了图像的细节部分，使图像变得模糊，尤其是在处理椒盐滤波时。

3.高斯滤波

用一个卷积来确定领域内的像素加权平均值去代替卷积中心像素点的值。卷积高度和宽度可以不同，但要为奇数。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算领域内各个像素值不同权重的和。定义如下：

dst =GaussianBlur(src,ksize,sigmaX,dst=None,sigmaY=None, borderType=None)

src:输入图像。
ksize:滤波运算的核尺寸。
sigmaX:高斯核在X方向上的 sigma 值。
dst:输出图像(返回值)。
sigmaY:高斯核在Y方向上的 sigma 值。
borderType:边界模式，由BorderTypes定义。

特点：可以较好地减弱噪声并保留小信号，但边缘信息损失比较严重。高斯滤波对高斯噪声消除效果较好。

4.双边滤波

常用于像素边缘保持的空间非线性滤波方法，主要利用了领域内像素点的空间邻近度和像素值相似度来构建高斯权重滤波器。定义如下：

dst = bilateralFilter(src,d,sigmaColor,sigmaSpace, dstNone, borderType=None)

src:输入图像。
d:滤波过程中每个像素邻域的直径范围sigmaColor:颜色空间滤波器的 sigma 值。sigmaSpace:坐标空间滤波器的 sigma 值。
dst:输出图像(返回值)。
borderType:边界模式，由BorderTypes 定义。

特点：较好的保留边缘信息

5.中值滤波

使用邻域内所有像素值的中间值来替代当前像素点的像素值。定义如下：

dst=medianBlur(src,ksize,dst=None)

src:输入图像。
ksize:滤波核大小。
dst:输出图像(返回值)。

特点：中值滤波对噪声的消除效果比线性滤波好，但是随着滤波核的增大，图像也会变模糊。

参考文章：图像处理：推导五种滤波算法（均值、中值、高斯、双边、引导）