本篇文章介紹如何用opencv-python來實現初級濾波功能。
本文介紹使用opencv-python實現基本的濾波處理
本文不介紹濾波處理的詳細概念，所以讀者需要預先對其有一定的了解。
過濾是訊號和影象處理中基本的任務。其目的是根據應用環境的不同，選擇性的提取影象中某些認為是重要的資訊。過濾可以移除影象中的噪音、提取感興趣的可視特徵、允許影象重取樣，等等。其源自於一般的訊號和系統理論，這裡將不介紹該理論的細節。但本章會介紹關於過濾的基本概念，以及如何在影象處理程式中使用濾波器。首先，簡要介紹下頻率域分析的概念。
當我們觀察一張時，我們觀察的是影象中有多少灰度級（或顏色）及其分布。根據灰度分布的不同來區分不同的影象。但還有其他方面可以對影象進行分析。我們可以觀察影象中灰度的變化。某些影象中包含大量的強度不變的區域（如藍天），而在其他影象中的灰度變化可能會非常快（如包含許多小物體的擁擠的影象）。因此，觀察影象中這些變化的頻率就構成了另一條分類影象的方法。這個觀點稱為頻域。而通過觀察影象灰度分布來分類影象稱為空間域。
頻域分析將影象分成從低頻到高頻的不同部分。低頻對應影象強度變化小的區域，而高頻是影象強度變化非常大的區域。目前已存在若干轉換方法，如傅利葉變換或余弦變換，可以用來清晰的顯示影象的頻率內容。注意，由於影象是乙個二維實體，所以其由水平頻率（水平方向的變化）和豎直頻率（豎直方向的變化）共同組成。
在頻率分析領域的框架中，濾波器是乙個用來增強影象中某個波段或頻率並阻塞（或降低）其他頻率波段的操作。低通濾波器是消除影象中高頻部分，但保留低頻部分。高通濾波器消除低頻部分
本篇文章使用傳統的lena作為實驗影象。
低通濾波器的目標是降低影象的變化率。如將每個畫素替換為該畫素周圍畫素的均值。這樣就可以平滑並替代那些強度變化明顯的區域。在opencv中，可以通過blur函式做到這一點：
dst = cv2.blur(image,(5,5));其中dst是blur處理後返回的影象，引數一是輸入的待處理影象，引數2是低通濾波器的大小。其後含有幾個可選引數，用來設定濾波器的細節，具體可查閱參考資料2。不過這裡，這樣就夠了。下面是乙個簡單的示例**：
結果如下，左邊是平滑過的影象，右邊是原影象：
這種濾波器又稱為boxfilter（注，這與化學上的箱式過濾器是兩碼事，所以這裡就不翻譯了）。所以也可通過opencv的cv2.bofxfilter(...)函式來完成相同的工作。如下：
result1 = cv2.boxfilter(img, -1, (5, 5))這行**與上面使用blur函式的效果完全相同。其中第二個引數的-1表示輸出影象使用的深度與輸入影象相同。後面還有幾個可選引數，具體可查閱opencv文件。
在某些情況下，需要對乙個畫素的周圍的畫素給予更多的重視。因此，可通過分配權重來重新計算這些周圍點的值。這可通過高斯函式（鐘形函式，即喇叭形數）的權重方案來解決。cv::gaussianblur函式可作為濾波器用下面的方法呼叫：
gaussianresult = cv2.gaussianblur(img,(5,5),1.5)低通濾波與高斯濾波的不同之處在於：低通濾波中，濾波器中每個畫素的權重是相同的，即濾波器是線性的。而高斯濾波器中畫素的權重與其距中心畫素的距離成比例。關於高斯模糊的詳細內容，抽空將寫一篇獨立的文章介紹。
前面介紹的是線性過濾器，這裡介紹非線性過濾器——中值濾波器。由於中值濾波器對消除椒鹽現象特別有用。所以我們使用第二篇教程中椒鹽函式先對影象進行處理，將處理結果作為示例。
呼叫中值濾波器的方法與呼叫其他濾波器的方法類似，如下：
result = cv2.medianblur(image,5)函式返回處理結果，第乙個引數是待處理影象，第二個引數是孔徑的尺寸，乙個大於1的奇數。比如這裡是5，中值濾波器就會使用5×5的範圍來計算。即對畫素的中心值及其5×5鄰域組成了乙個數值集，對其進行處理計算，當前畫素被其中值替換掉。
如果在某個畫素周圍有白色或黑色的畫素，這些白色或黑色的畫素不會選擇作為中值（最大或最小值不用），而是被替換為鄰域值。**如下：
處理結果如下：
由於中值濾波不會處理最大和最小值，所以就不會受到雜訊的影響。相反，如果直接採用blur進行均值濾波，則不會區分這些雜訊點，濾波後的影象會受到雜訊的影響。
中值濾波器在處理邊緣也有優勢。但中值濾波器會清除掉某些區域的紋理（如背景中的樹）。
由於方向濾波器與這裡的原理有較大的出入，所以將用獨立的一篇文章中介紹其原理以及實現。
OpenCV Python入門教程5 閾值分割
灰度圖讀入 閾值分割 ret,th cv2.threshold img,127,255,cv2.thresh binary cv2.imshow thresh th cv2.waitkey 0 cv2.threshold 用來實現閾值分割，有4個引數 理解這5種閾值方式 應用5種不同的閾值方法 re...
OpenCV python基礎教程
在傳統的計算機視覺處理中，opencv依然是最為基礎和常用的工具。即便是如今深度學習如火如荼，在影象處理領域表現出越來越強大的潛力時，opencv也不失為預處理的有效手段。另外，opencv的工具箱裡，也不斷再融入機器學習的演算法，充實自身才能應對變化。說明一下，我一向不習慣做教程，覺得浪費時間，東...
翻譯 OpenCV Python教程 形態變化
這個系列是自己瞎翻的，文法很醜，主要靠意會，跳著跳著撿重要的部分翻，翻錯了不負責，就這樣哈。基於3.4.3，morphological transformations，附原文。在這一章節，形態變換是基於影象形狀的一些簡單操作。它通常在二進位制影象上執行。它需要兩個輸入，乙個是我們的原始影象，第二個是...