1.cv2.blur(img, (3, 3)) 进行均值滤波

参数说明：img表示输入的图片， (3, 3) 表示进行均值滤波的方框大小

2. cv2.boxfilter(img, -1, (3, 3), normalize=True) 表示进行方框滤波，参数说明当normalize=True时，与均值滤波结果相同， normalize=False，表示对加和后的结果不进行平均操作，大于255的使用255表示

3. cv2.Guassianblur(img, (3, 3), 1) 表示进行高斯滤波，

参数说明: 1表示σ， x表示与当前值得距离，计算出的G(x)表示权重值

4. cv2.medianBlur(img, 3) #中值滤波，相当于将9个值进行排序，取中值作为当前值

参数说明：img表示当前的图片，3表示当前的方框尺寸在图像的读取中，会存在一些躁声点，如一些白噪声，因此我们需要进行去躁操作

5. cv2.bilateralFilter双边滤波

流程：

1.原始图片的输入
2.使用cv2.blur进行均值滤波
3.使用cv2.boxfilter 进行方框滤波， 比较normalize=True or normalize=False
4.使用cv2.GussianBlur 进行高斯滤波
5\. 使用cv2.medianBlur  进行中值滤波
6.做一个合并显示

import cv2
import numpy as np

# 1.图片中存在一些噪音点
img = cv2.imread('lenaNoise.png')
cv2.imshow('original', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 2. cv2.blur 使用均值滤波，即当对一个值进行滤波时，使用当前值与周围8个值之和，取平均做为当前值

mean = cv2.blur(img, (3, 3))
cv2.imshow('mean', mean)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 3. cv2.boxFilter 表示进行方框滤波
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)
cv2.imshow('box', box)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 当normalize=False 表示对加和后的9个点，不进行求平均的操作，如果加和后的值大于255，使用255表示
box_1 = cv2.boxFilter(img, -1, (3, 3), normalize=False)
cv2.imshow('box_1', box_1)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 4. cv2.GaussianBlur 根据高斯的距离对周围的点进行加权,求平均值1，0.8， 0.6， 0.8 
gaussian = cv2.GaussianBlur(img, (5, 5), 1)
cv2.imshow('gaussian', gaussian)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 5. cv2.medianBlur #将9个数据从小到大排列，取中间值作为当前值
median = cv2.medianBlur(img, 3)
cv2.imshow('median', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

#bilateralFilter双边滤波
#能在保持边界清晰的情况下有效的去除噪音
#但是这种操作与其他滤波器相比会比较慢

import cv2

img=cv2.imread('1.jpg')

#cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)
#9 邻域直径，两个 75 分别是空间高斯函数标准差，灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img,9,75,75)

cv2.imshow('bilateralFilter',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 6. 做一个合并显示
imags = np.vstack((mean, gaussian, median))
cv2.imshow('all', imags)
cv2.waitKey(0)
cv2.destroyAllWindows()