OpenCV 提供了多种图像平滑（模糊）处理方法，用于减少图像噪声、平滑细节，常见的有以下四种：
一、均值滤波（Mean Blurring）
原理 ：用像素周围 n×n 邻域内所有像素的平均值替代该像素值。
特点：简单快速，但可能导致图像边缘模糊。
函数 ：cv2.blur(src, ksize)
参数：src：输入图像
ksize：卷积核大小（如 (3,3)、(5,5)
代码实现：
python
import cv2
import numpy as np
# 对图片进行噪声处理
def add_peppersalt_noise(image,n=10000):
result = image.copy()
h,w= image.shape[:2] # 获取图片的高和宽
for i in range(n): # 生成n个椒盐噪声
x=np.random.randint(1,h)
y=np.random.randint(1,w)
if np.random.randint(0,2) == 0:
result[x,y]=0
else:
result[x,y]= 255
return result
#导入图片
image =cv2.imread('2197.jpg')
image = cv2.resize(image,dsize=None,fx=0.2,fy=0.2)# 对图片进行缩放
cv2.imshow('yuantu',image) # 原图
cv2.waitKey(0)
noise = add_peppersalt_noise(image) # 噪声处理后的图片
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 均值滤波 blur
blur_1 = cv2.blur(noise,(3,3)) # 均值处理后的图片
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)
cv2.destroyAllWindows()结果：
二、方框滤波 boxFilter
原理：方框滤波通过一个固定大小的矩形（方框）卷积核对图像进行卷积操作：
归一化方框滤波：计算方框内所有像素的平均值，替代中心像素值（效果与均值滤波完全一致）。
非归一化方框滤波 ：计算方框内所有像素的总和（不除以方框面积），可能导致像素值溢出（需注意数据类型）
特点：计算简单快速，适合对实时性要求高的场景
函数：cv2.boxFilter(src, ksize,ddepth,normalize )
参数：src：输入图像（必须是单通道或多通道的 numpy 数组）。
ddepth ：输出图像的深度（数据类型），通常设为 -1 表示与输入图像深度相同。
ksize ：卷积核大小（如 (3,3)、(5,5)），必须是正奇数。
normalize：是否归一化（布尔值）：
normalize=True（默认）：归一化，等价于均值滤波（结果 = 像素和 / 方框面积）。normalize=False：非归一化，结果 = 像素总和（可能超过像素值范围，需后续处理）。
代码实现：
python
import cv2
import numpy as np
# 对图片进行噪声处理
def add_peppersalt_noise(image,n=10000):
result = image.copy()
h,w= image.shape[:2] # 获取图片的高和宽
for i in range(n): # 生成n个椒盐噪声
x=np.random.randint(1,h)
y=np.random.randint(1,w)
if np.random.randint(0,2) == 0:
result[x,y]=0
else:
result[x,y]= 255
return result
#导入图片
image =cv2.imread('2197.jpg')
image = cv2.resize(image,dsize=None,fx=0.2,fy=0.2)
cv2.imshow('yuantu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 方框滤波 boxFilter
boxFilter_1 =cv2.boxFilter(noise,-1,(3,3),normalize = True)
cv2.imshow('boxFilter_1',boxFilter_1)
cv2.waitKey(0)
boxFilter_2 = cv2.boxFilter(noise,-1,(3,3),normalize = False)
cv2.imshow('boxFilter_2',boxFilter_2)
cv2.waitKey(0)
cv2.destroyAllWindows()结果：
三、高斯滤波（Gaussian Blurring）
原理：用高斯函数生成的权重矩阵（中心像素权重更高，边缘像素权重更低）对邻域像素加权平均。
特点：比均值滤波更保留图像细节，对高斯噪声（如相机传感器噪声）效果好。
函数 ：cv2.GaussianBlur(src, ksize, sigmaX,sigmaY)
参数：src:输入图像，通常是一个NumPy数组。 ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如。(5，5)表示一个5x5的滤波器。
siqmaX和siqmaY:分别表示在X轴和Y轴方向上的标准差。这些值与滤波器大小相同。默认持况下、它们都等于0,这意味着没有高斯模糊。
dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果
代码实现：
python
import cv2
import numpy as np
def add_peppersalt_noise(image,n=10000):
result = image.copy()
h,w= image.shape[:2] # 获取图片的高和宽
for i in range(n): # 生成n个椒盐噪声
x=np.random.randint(1,h)
y=np.random.randint(1,w)
if np.random.randint(0,2) == 0:
result[x,y]=0
else:
result[x,y]= 255
return result
# 导入图片
image =cv2.imread('2197.jpg')
image = cv2.resize(image,dsize=None,fx=0.2,fy=0.2)
cv2.imshow('yuantu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 高斯滤波 GaussianBlur
GaussianB = cv2.GaussianBlur(noise,(3,3),1)
cv2.imshow('GaussianBlur',GaussianB)
cv2.waitKey(0)结果：
四、中值滤波（Median Blurring）
原理 ：用像素周围 n×n 邻域内所有像素的中值替代该像素值。
特点：对椒盐噪声（图像中的黑白斑点）效果极佳，能有效保留边缘。
函数 ：cv2.medianBlur(src, ksize，dst)
参数：src:输入图像。
ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如、5表示一个5x5的滤波器。
dst:输出图像，通常是一个NumPy数组。如果为None,则会创建一个新的数组来存储结果。
代码实现：
python
import cv2
import numpy as np
def add_peppersalt_noise(image,n=10000):
result = image.copy()
h,w= image.shape[:2] # 获取图片的高和宽
for i in range(n): # 生成n个椒盐噪声
x=np.random.randint(1,h)
y=np.random.randint(1,w)
if np.random.randint(0,2) == 0:
result[x,y]=0
else:
result[x,y]= 255
return result
# 导入图片
image =cv2.imread('2197.jpg')
image = cv2.resize(image,dsize=None,fx=0.2,fy=0.2)
cv2.imshow('yuantu',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imshow('noise',noise)
cv2.waitKey(0)
# 中值滤波 medianBlur
medianB =cv2.medianBlur(noise,3)
cv2.imshow('medianBlur',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()结果：
总结
由四种滤波方式得到的结果可以看到对于去除椒盐噪声 优先使用中值滤波。