上一篇文章：OpenCV计算机视觉 02 图片修改 图像运算 边缘填充 阈值处理
目录
添加椒盐噪声
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
image = cv2.imread('tu.png')
cv2.imshow('original',image)
cv2.waitKey(0)
noise = add_peppersalt_noise(image)
cv2.imwrite(r'noise.png',noise)#保存一下，等会我们做平滑操作
cv2.imshow('noise',noise)
cv2.waitKey(0)
图像平滑常见处理方式
图像平滑（smoothing）也称为“模糊处理”（bluring）， 是一项简单且使用频率很高的图像处理方法。图像平滑处理可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声。但最常见的是用来减少图像上的噪声或者失真。降低图像分辨率时，平滑处理是很重要的。下面是常用的一些滤波器
均值滤波（邻域平均滤波）–> blur函数
方框滤波–> boxFilter函数
高斯滤波–>GaussianBlur函数
中值滤波–>medianBlur函数
均值滤波 (blur)
是指用当前像素点周围 n*n 个像素值的均值来代替当前像素值。边界点的处理可以扩展当前图像的周围像素点padding.
特别注意，核数尽量选奇数不选偶数，原因是当核大小为奇数时，能够明确地定义一个中心像素。这样在计算平均值时，更容易确定以哪个像素为中心进行周边像素值的平均计算。当边界像素周围的像素数量不足 n×n 个，为了能够对边界像素也进行均值滤波计算，就通过在图像的四周添加额外的像素（即 padding）来补足所需的像素数量。这些添加的像素值可以是 0、图像边缘像素的重复值或者通过其他特定的算法计算得到的值，从而使得边界像素也能像内部像素一样进行完整的 n×n 区域的均值计算。
'''
dst=cv2.blur(src,ksize,anchor,borderType)
dst是返回值
src是需要处理的图像
kszie是滤波核(卷积核)的大小
anchor是锚点，默认值是（-1，-1）一般无需更改
borderType是边界样式，一般无需更改
一般情况下，使用dst=cv2.blur(src,ksize)即可
'''blur_1 = cv2.blur(noise,(3,3)) #卷积核为3，3 效果一般，清晰度一般
cv2.imshow('blur_1',blur_1)
cv2.waitKey(0)
blur_2 = cv2.blur(noise,(5,5))#卷积核为5，5 效果好但模糊
cv2.imshow('blur_2',blur_2)
cv2.waitKey(0)
cv2.destroyAllWindows()
优点：
- 算法简单，计算效率高。
- 能有效地平滑均匀分布的噪声。
缺点：
- 会使图像变得比较模糊，因为它对所有像素一视同仁，丢失了图像的细节和边缘信息。
方框滤波 (boxFilter)
方框滤波是指用当前像素点周围nxn个像素值的和来代替当前像素值。
'''
dst=cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）式中：
● dst是返回值，表示进行方框滤波后得到的处理结果。
● src 是需要处理的图像，即原始图像。
● ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
● ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高 度和宽度。
● anchor 是锚点，（指对应哪个区域）
● normalize 表示在滤波时是否进行归一化。
1.当值为True时，归一化，用邻域像素值的和除以面积。 此时方框滤波与 均值滤波 效果相同。
2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255
'''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)
优点：
- 计算相对简单，速度较快。
- 对于一些平滑程度要求不高的情况，可以快速达到一定的平滑效果。
缺点：
- 如果未进行归一化，可能会导致像素值超出正常范围（例如 0 - 255），出现异常的结果。
- 与均值滤波类似，可能会使图像变得模糊，丢失部分细节。
高斯滤波(GaussianBlur)
使用高斯函数来确定滤波核中每个像素的权重。离中心像素越近，权重越大；离中心像素越远，权重越小。再对滤波核覆盖区域内的像素进行加权平均，得到中心像素的新值。
'''
cv2.GaussianBlur(src, ksize[, sigmaX[, sigmaY[, dst]]])高斯滤波
参数说明：
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。
sigmaX和sigmaY: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。默认情况下，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。
'''GaussianB = cv2.GaussianBlur(noise,(3,3),1) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlur_k=3_s=1',GaussianB)
cv2.waitKey(0)
GaussianB = cv2.GaussianBlur(noise,(3,3),2)
cv2.imshow('GaussianBlur_k=3_s=2',GaussianB)
cv2.waitKey(0)
GaussianB = cv2.GaussianBlur(noise,(5,5),1) #标准差为1，标准正太分布。
cv2.imshow('GaussianBlur_k=5_s=1',GaussianB)
cv2.waitKey(0)
优点：
- 相比均值滤波，能更好地保留图像的边缘和细节，因为其权重分配更符合图像的特征。
- 对高斯噪声有较好的抑制效果。
缺点：
- 计算复杂度相对较高，因为需要计算每个像素的权重。
中值滤波(medianBlur)
会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值从小到大排序，然后将位于中间位置的像素值作为当前像素点的像素值。
medianBlur函数：
'''
cv2.medianBlur(src, ksize[, dst])中值滤波
参数说明：
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。
'''medianB = cv2.medianBlur(noise,3)
cv2.imshow('medianBlur_k=3',medianB)
cv2.waitKey(0)
medianB = cv2.medianBlur(noise,5)
cv2.imshow('medianBlur_k=5',medianB)
cv2.waitKey(0)
cv2.destroyAllWindows()
优点：
- 对椒盐噪声有非常好的去除效果。
- 能够在去除噪声的同时较好地保护图像的边缘信息。
缺点：
- 对于一些细节丰富的图像，可能会使部分细节变得模糊。
综合来看，中值滤波处理椒盐噪声效果最好！