图像平滑处理是图像处理中的一种技术，旨在减少图像中的噪声和细节，从而使图像看起来更平滑。平滑处理可以帮助改善图像质量，去除噪声，并在进一步的图像分析和处理步骤中提供更清晰的数据。常见的平滑处理技术包括滤波、模糊等。例如，下图1是含有噪声的图像，在图像内存在噪声信息，我们通常会通过图像平滑处理等方式去除这些噪声信息。
比如：以一个像素为核心，其周围像素可以组成一个n1行n1列（简称n1 x n2）的矩阵，这样的矩阵结构在滤波操作中被称为“滤波核”。矩阵的行、列数，决定了滤波核的大小。如下图所示的滤波核大小为3x3，包含9个像素。
在OpenCV中，经常用到的二维图像平滑处理有以下4种：均值滤波、中值滤波、高斯滤波和双边滤波。本节我们一起看一下，用C++调用OpenCV接口，如何实现对图像的平滑处理。
| 滤波器类型 | 用途 |
|---|---|
| 均值滤波 | 降低高斯白噪声 |
| 中值滤波 | 降低椒盐噪声 |
| 高斯滤波 | 降低图像噪声 |
| 双边滤波 | 降低图像噪声、同时保护图像边界信息 |
目标
在本教程中，您将学习如何使用多种线性滤镜来平滑使用OpenCV功能的图像，如：
理论
注意
下面的解释属于计算机视觉： Richard Szeliski和LearningOpenCV的算法和应用
- 平滑，也称为模糊，是一种简单而经常使用的图像处理操作。
- 平滑的原因很多。在本教程中，我们将专注于平滑以减少噪音（其他用途将在以下教程中看到）。
- 要执行平滑操作，我们将对我们的图像应用过滤器。最常见的滤波器类型是线性的，其中输出像素的值(i.e. g(i,j))，被确定为输入像素值的加权和 (i.e. f(i+k,j+l)) :
被称为内核，它只不过是滤波器的系数。h(k,l)
它有助于将过滤器可视化为跨越图像滑动的系数窗口。
- 有很多种过滤器，这里我们将提到最常用的：
归一化框过滤器
- 这个过滤器是最简单的！每个输出像素是其内核邻居的均值（均为相等权重）
- 内核如下：
高斯滤波器
- 可能是最有用的过滤器（虽然不是最快的）。高斯滤波是通过将输入数组中的每个点与高斯核进行卷积来完成的，然后将它们相加以产生输出数组。
- 只是为了使图片更清晰，记住一维高斯内核的样子？
假设图像为1D，您可以注意到位于中间的像素将具有最大的权重。其邻居的权重随着它们与中心像素之间的空间距离的增加而减小。
注意
请记住，2D高斯可以表示为：
其中是平均值（峰值），\ sigma表示方差（每个变量x和y）μσXÿ
中值滤波器
中值滤波器遍历信号的每个元素（在这种情况下为图像），并用其相邻像素的中位数（位于估计像素周围的正方形邻域）中替换每个像素。
双边过滤器
- 到目前为止，我们已经解释了一些过滤器，其主要目标是平滑输入图像。然而，有时过滤器不仅可以消除噪音，还可以使边缘平滑。为了避免这种情况（至少在一定程度上），我们可以使用双边筛选器。
- 以与高斯滤波器类似的方式，双边滤波器也考虑相邻像素，其权重分配给它们。这些权重具有两个分量，其中第一个是高斯滤波器使用的相同加权。第二个组件考虑了相邻像素与被评估的像素之间的强度差异。
- 有关更详细的说明，您可以查看此链接
均值滤波（blur）
均值滤波器是一种典型的线性滤波算法，可以把图像中的每一个像素当成滤波核的核心，然后计算核内所有像素的平均值，最后将核心像素值改成平均值。
(89 + 134 + 206 + 198 + 24 + 140 + 154 + 199 + 89) / (3 x 3) = 137
滤波核大小是3 x 3，核心像素值是24，与周围像素值相比偏小，所以可以认为核心像素值是噪声。先将滤波核中的所有像素值相加，然后除以像素个数，就得出了平均值137。最后将核心像素值改成137，其颜色与周围像素颜色差别就不大了，图像看起来就变得平滑了。这就是均值滤波器降噪的原理。
函数：
C++调用OpenCV实现均值滤波的关键函数原型：
void blur( InputArray src, OutputArray dst,
Size ksize, Point anchor = Point(-1,-1),
int borderType = BORDER_DEFAULT
);
参数说明：
参数1：被处理的图像
参数2：均值滤波处理之后的图像
参数3：滤波核大小，其格式为（高度，宽度），建议使用（3,3），（5,5），（7,7）等
宽、高相等的奇数边长。滤波核越大，处理之后的图像越模糊
参数4：滤波核的锚点，建议采用默认值，可以自动计算锚点
参数5：边界样式，建议采用默认值代码如下：
void QuickDemo::nineth(Mat image) {
Mat Blur, gauBlur, biBlur;
blur(image, Blur, Size(5, 5), Point(-1, -1));
namedWindow("Blur", WINDOW_AUTOSIZE);
imshow("Blur", Blur);
}均值滤波器的主要作用是减少图像噪声。当图像中有高斯白噪声时，均值滤波器就可以降低该噪声，因为它可以在像素的相邻像素区域之间取平均值，所以零均值的白噪声将会被抑制。均值滤波器在减少白噪声方面做得比较好。
中值滤波（medianBlur）
二维的中指滤波器原理与均值滤波器类似，不同的地方是不计算滤波核内像素的平均值，而是将所有像素值排序，然后把核心像素值，改成最中间的像素值。整个过程会将图像中的每个像素，以其滤波尺寸大小的邻域内像素强度的中值来替代。
24 89 89 134 140 154 198 199 206
函数：
C++调用OpenCV实现中值滤波的关键函数原型：
void medianBlur( InputArray src, OutputArray dst, int ksize );
参数说明：
参数1：待处理的图像
参数2：中值滤波处理后的图像
参数3：滤波核大小，其值表示边长，必须是大于1的奇数 3,5,7等代码如下：
void QuickDemo::nineth(Mat image) {
Mat Blur, medBlur,gauBlur, biBlur;
medianBlur(image, medBlur, 5);
namedWindow("medianBlur", WINDOW_AUTOSIZE);
imshow("medianBlur", medBlur);
}中值滤波器有利于去除椒盐噪声。椒盐噪声通常是在获取图像时，突然出现的扰动造成的，一般在图像中以黑白像素的形式出现。
高斯滤波（GaussianBlur）
高斯滤波器是均值滤波器的修正版本，它将正态分布应用于图像处理中。滤波器中心位置的权重最高，越远离核心的像素权重越低，从中心点向外呈正态分布。像素权重不同不能取平均值，要从权重高的像素中取较多的信息，从权重低的像素中取较少的信息。其权重如下图所示：
高斯滤波的计算过程，涉及到卷积运算，会有一个与滤波核大小相同的卷积核。我们以3 x 3的滤波核为例，来描述一下计算过程。卷积核中保存的值，就是核所覆盖区域的权重值。卷积核中所有权重值相加，结果为1.
如下图所示的3 x 3卷积核。
高斯滤波的计算过程，就是将滤波核中的像素值，与卷积核进行卷积运算，最后将结束结果赋值给滤波核的核心像素。
滤波核中的每个像素值，与卷积核对应位置的权重值相乘，最后计算出9个值：
89 x 0.05 134 x 0.1 206 x 0.05 = 4.45 13.4 10.3
198 x 0.1 24 x 0.4 140 x 0.1 = 19.8 9.6 14
154 x 0.05 199 x 0.1 89 x 0.05 = 7.7 19.9 4.45
把这9个值累加，四舍五入取整：
4.45 + 13.4 + 10.3 + 19.8 + 9.6 + 14 + 7.7 + 19.9 + 4.45 = 103.6 ≈ 104
最后得到的这个结果，就是高斯滤波计算结果，滤波核核心像素值，从24改成了104。
函数：
C++调用OpenCV实现高斯滤波的关键函数原型：
void GaussianBlur( InputArray src, OutputArray dst, Size ksize,
double sigmaX, double sigmaY = 0,
int borderType = BORDER_DEFAULT
);
参数说明：
参数1：待处理的图像
参数2：高斯滤波处理之后的图像
参数3：滤波核的大小，宽高必须是奇数，与均值滤波相同
参数4：卷积核水平方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例
参数5：卷积核垂直方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例
参数6：边界样式，建议使用默认值代码如下：
void QuickDemo::nineth(Mat image) {
Mat Blur, medBlur,gauBlur, biBlur;
GaussianBlur(image, gauBlur, Size(5, 5), 11, 11);
namedWindow("gauBlur", WINDOW_AUTOSIZE);
imshow("gauBlur", gauBlur);
}高斯滤波也被叫做高斯模糊或高斯平滑，是目前应用最广泛的图像平滑处理算法。高斯滤波可以很好地降低图像噪声，同时将保留更多的细节层次，经过处理的图像，呈现“磨砂玻璃”的滤镜效果。
双边滤波（bilateralFilter）
双边滤波器是一种非线性滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器会自动判断滤波核处于“平坦”区域还是“边缘”区域：如果滤波核处于“平坦”区域，则会使用类似高斯滤波的算法进行滤波；如果滤波核处于“边缘”区域，则加大“边缘”像素的权重，尽可能地让这些像素值保持不变。
函数：
void bilateralFilter( InputArray src, OutputArray dst, int d,
double sigmaColor, double sigmaSpace,
int borderType = BORDER_DEFAULT
);
参数说明：
参数1：待处理的图像
参数2：双边滤波处理后的图像
参数3：以当前像素为中心的整个滤波区域的直径。如果d<0，则自动根据sigmaSpace参数 计算得到。该值与保留的边缘信息数量成正比，与方法运行效率成反比
参数4：参与计算的颜色范围，这个值是像素颜色值与周围颜色值的最大差值，只有颜色值 之差小于这个值时，周围的像素才进行滤波计算。值为255时，表示所有颜色都参与计算
参数5：坐标空间的σ(sigma)值，该值越大，参与计算的像素数量就越多
参数6：边界样式，建议默认值代码如下：
void QuickDemo::nineth(Mat image) {
Mat Blur, medBlur,gauBlur, biBlur;
//双边滤波对椒盐噪声有很好的抑制作用
bilateralFilter(image, biBlur, 15, 110, 5);
namedWindow("biBlur", WINDOW_AUTOSIZE);
imshow("biBlur", biBlur);
}前边介绍的均值滤波、中值滤波和高斯滤波，都会使整幅图像变得平滑，图像中的边界会变得模糊不清。双边滤波与它们不同的地方是，在平滑过程中可以有效保护边界信息。
对比图：
