计算机视觉（opencv）实战五——图像平滑处理（均值滤波、方框滤波、高斯滤波、中值滤波）附加：视频逐帧平滑处理
图像/视频平滑处理
图像平滑（smoothing）也称为“模糊处理”（blurring），是图像处理中常用的一种技术。通过消除图像中的噪声或细节，使图像看起来更加平滑、柔和，从而弱化或消除图像中的突变、噪点和细微纹理。
图像平滑在实际应用中非常重要，例如去噪、降低图像细节对后续处理（如边缘检测、分割）的影响，以及改善视觉效果等。
常用的滤波方法
均值滤波（Average/Blur）
均值滤波通过取邻域像素的平均值来替代中心像素值，从而达到平滑效果。
dst = cv2.blur(src, ksize)示例代码：
blur_1 = cv2.blur(noise, (3, 3)) # 小卷积核 blur_2 = cv2.blur(noise, (63, 63)) # 大卷积核dst：处理后的图像src：原始图像ksize：卷积核大小，例如(3, 3)anchor：锚点，默认(-1, -1)，一般无需修改borderType：边界处理方式，默认即可
方框滤波（Box Filter）
方框滤波类似均值滤波，但提供是否归一化的选项。
dst = cv2.boxFilter(src, ddepth, ksize, normalize=True)示例代码：
boxFilter_1 = cv2.boxFilter(noise, -1, (3, 3), normalize=True) boxFilter_2 = cv2.boxFilter(noise, -1, (3, 3), normalize=False)ddepth：输出图像深度，通常使用-1表示与原图相同normalize：是否对邻域像素求平均True→ 归一化，相当于均值滤波False→ 不归一化，直接求和
高斯滤波（Gaussian Blur）
高斯滤波使用高斯函数对邻域像素加权平均，更加注重中心像素，能更自然地平滑图像。
GaussianB = cv2.GaussianBlur(src, ksize=(3,3), sigmaX=1)示例代码：
GaussianB = cv2.GaussianBlur(noise, (3,3), sigmaX=1)ksize：滤波器大小sigmaX/sigmaY：X/Y方向的标准差dst：输出图像，可省略
中值滤波（Median Blur）
中值滤波用邻域像素的中位数替代中心像素，特别适合去除椒盐噪声。
medianB = cv2.medianBlur(src, ksize=3)示例代码：
medianB = cv2.medianBlur(noise, 3)ksize必须为奇数对椒盐噪声去除效果明显
案例演示：去除椒盐噪声
1️⃣ 导入库
import cv2
import numpy as np
cv2：OpenCV库，用于图像读取、显示和处理。numpy：用于数组和矩阵操作，这里用来生成噪声坐标。
2️⃣ 定义椒盐噪声函数
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(low=1, high=h)y = np.random.randint(low=1, high=w)if np.random.randint(low=0, high=2) == 0:result[x, y] = 0 # 黑色噪声（椒）else:result[x, y] = 255 # 白色噪声（盐）return result
image.copy()：复制原图，避免修改原图。h, w = image.shape[:2]：获取图像高度和宽度，用于随机生成噪声位置。循环
n次随机生成椒盐噪声像素：np.random.randint(1, h)随机生成行坐标np.random.randint(1, w)随机生成列坐标随机选择 0（黑）或 255（白）作为噪声值
作用：生成带有椒盐噪声的图像，用于测试滤波器的去噪能力。
3️⃣ 读取图像
image = cv2.imread('tiger.jpg')
cv2.imshow('yuntu', image)
cv2.waitKey(0)
cv2.imread()：读取图像，返回 NumPy 数组（BGR格式）。cv2.imshow()：显示图像窗口cv2.waitKey(0)：等待按键，按任意键关闭窗口
4️⃣ 添加椒盐噪声
noise = add_peppersalt_noise(image)
cv2.imshow('noise', noise)
cv2.waitKey(0)
调用
add_peppersalt_noise，生成带噪声的图像显示带噪声的图像，可以看到随机分布的黑白点
5️⃣ 均值滤波（Average Blur）
blur_1 = cv2.blur(noise, (3, 3))
cv2.imshow('blur_(3, 3)', blur_1)
cv2.waitKey(0)blur_2 = cv2.blur(noise, (63, 63))
cv2.imshow('blur_(63, 63)', blur_2)
cv2.waitKey(0)
cv2.blur()：对图像进行均值滤波(3, 3)vs(63, 63)：小卷积核 (3x3)：轻微平滑，噪声略有消除
大卷积核 (63x63)：强烈平滑，细节和噪声都模糊
作用：消除噪声，但大核可能导致图像模糊严重。
6️⃣ 方框滤波（Box Filter）
boxFilter_1 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=True)
cv2.imshow('boxFilter_1', boxFilter_1)
cv2.waitKey(0)boxFilter_2 = cv2.boxFilter(noise, -1, ksize=(3, 3), normalize=False)
cv2.imshow('boxFilter_2', boxFilter_2)
cv2.waitKey(0)
cv2.boxFilter()类似均值滤波，但可选择是否归一化：normalize=True→ 等价于均值滤波normalize=False→ 直接求和，可能产生像素溢出（大于255时截断）
ddepth=-1表示输出图像与原图同样深度
作用：提供更灵活的滤波控制，既可平滑，也可测试非归一化效果。
7️⃣ 高斯滤波（Gaussian Blur）
GaussianB = cv2.GaussianBlur(noise, ksize=(3,3), sigmaX=1)
cv2.imshow('GaussianBlur', GaussianB)
cv2.waitKey(0)
高斯滤波器对邻域像素加权，中心像素权重更高
ksize=(3,3)：滤波器大小sigmaX=1：标准差，控制模糊程度对椒盐噪声和细节平滑效果更自然
8️⃣ 中值滤波（Median Blur）
medianB = cv2.medianBlur(noise, ksize=3)
cv2.imshow('medianBlur', medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()
中值滤波取邻域像素中位数替换中心像素
特别适合去除椒盐噪声
ksize必须为奇数，越大去噪效果越强，但可能损失细节
🔹 总结
均值滤波 / 方框滤波：简单、快速，但对椒盐噪声不够鲁棒
高斯滤波：平滑自然，对高斯噪声更有效
中值滤波：对椒盐噪声最有效，保留边缘效果更好
通过调整滤波器类型和卷积核大小，可以实现不同程度的图像平滑和去噪效果。
扩展案例：视频逐帧平滑处理
# 视频格式不是一定要是avi格式，可以是mp4等等
import cv2
import numpy as npdef add_peppersalt_noise(image, n=10000):result = image.copy()h, w = image.shape[:2] for i in range(n): x = np.random.randint(low=1, high=h)y = np.random.randint(low=1, high=w)if np.random.randint(low=0, high=2) == 0:result[x, y] = 0else:result[x, y] = 255return resultvideo = cv2.VideoCapture('test.avi') while True: # 每一帧ret, frame = video.read()if not ret: # 判断是否读取到帧breakcv2.imshow('video', frame)noise = add_peppersalt_noise(frame) # 添加椒盐噪声cv2.imshow('noise', noise)medianB = cv2.medianBlur(noise, ksize=3) # 中值滤波cv2.imshow('medianBlur', medianB)if cv2.waitKey(1) == 27: # 1表示每一帧的间隔，27表示按键‘Esc’breakvideo.release()
cv2.destroyAllWindows()