OpenCV经典的两种实现EPF方法：高斯双边和均值迁移
一：双边模糊
差异越大，越会完整保留
def bi_demo(image):
dst = cv.bilateralFilter(image,0,100,15) #第二个参数d是distinct，我们若是输入了d,会根据其去算第3或4个参数，我们最好是使用第3或4个参数反算d,先设为0
cv.imshow("bi_demo",dst)
src = cv.imread("./1.png") #读取图片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) #创建GUI窗口,形式为自适应
cv.imshow("input image",src) #通过名字将图像和窗口联系
bi_demo(src)
cv.waitKey(0) #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作
cv.destroyAllWindows() #销毁所有窗口
def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None): # real signature unknown; restored from doc
值域和空域的两个方差sigma可以简单的设置为相等，小于10，无太大效果，大于150效果太强，像卡通片似的。
滤波器尺寸d：大于5将较慢（5 forreal-time），d=9，for off-lineapplications，d 是像素邻域“直径”。计算的半径，半径之内的像数都会被纳入计算，如果提供-1，会从后面的参数sigmaSpace中自动计算。
Sigma_color颜色空间过滤器的sigma值，这个参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
Sigma_space坐标空间中滤波器的sigma值，如果该值较大，则意味着颜色相近的较远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace五官，否则d正比于sigmaSpace.
双边滤波的内在想法是：在图像的值域（range）上做传统滤波器在空域（domain）上做的工作。空域滤波对空间上邻近的点进行加权平均，加权系数随着距离的增加而减少；值域滤波则是对像素值相近的点进行加权平均，加权系数随着值差的增大而减少。
对于第三个参数:d来说一般来说，要想得到比较好的结果，3、4、5参数最好都指定。
第三个参数如果设定值大于5，那计算会很慢，所以一般设置都等于5，如果少数情况需要去除比较大的噪声，那么d=9。要取得较好的平滑效果，最好在9附近
d或者Sigma_space设置的越大，包含的范围越大，耗时越长
若是高斯模糊，则整体都会模糊掉，实现滤镜效果。
二：均值迁移
推文：Opencv均值漂移pyrMeanShiftFiltering彩色图像分割流程剖析
def shift_demo(image):
dst = cv.pyrMeanShiftFiltering(image,10,50) #第二个参数d是distinct，我们若是输入了d,会根据其去算第3或4个参数，我们最好是使用第3或4个参数反算d,先设为0
cv.imshow(“shift_demo”,dst)
def pyrMeanShiftFiltering(src, sp, sr, dst=None, maxLevel=None, termcrit=None): # real signature unknown; restored from doc
第一个参数src，输入图像，8位，三通道的彩色图像，并不要求必须是RGB格式，HSV、YUV等Opencv中的彩色图像格式均可；
第二个参数sp，定义的漂移物理空间半径大小； #越大，细节丢失越多
第三个参数sr，定义的漂移色彩空间半径大小；
第四个参数dst，输出图像，跟输入src有同样的大小和数据格式；
第五个参数maxLevel，定义金字塔的最大层数；
第六个参数termcrit，定义的漂移迭代终止条件，可以设置为迭代次数满足终止，迭代目标与中心点偏差满足终止，或者两者的结合；
