利用卷积对图像进行模糊处理

若cv.imread('图片路径') 这个图片路径错了，就会报错error: (-215:Assertion failed) size.width>0 && size.height>0 in function 'cv::imshow'

详细文章转自该博主博文
卷积：就是对于某一位置的像素，通过算法来把它附近的所有像素点的值联合起来，重新设置这个像素的大小。（个人理解）

1.均值模糊函数blur()：定义：blur(src,ksize,dst=None, anchor=None, borderType=None)

定义是有5个参数，但最后三个均为none,所以也就2个参数

src：要处理的原图像

ksize: 周围关联的像素的范围：代码中（5，5）就是9*5的大小，就是计算这些范围内的均值来确定中心位置的大小

2.中值模糊函数medianBlur(): 定义：medianBlur(src, ksize, dst=None)

ksize与blur()函数不同，不是矩阵，而是一个数字，例如为5，就表示了5*5的方阵

3.高斯平滑函数GaussianBlur():定义：GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

sigmaX：标准差

高斯滤波没有考虑图像的边缘，会将边缘模糊掉。

4.高斯双边滤波函数bilateralFilter():定义：bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
  d：邻域直径
  sigmaColor：颜色标准差
  sigmaSpace：空间标准差

通俗理解：当远离边界时，即颜色十分相近，颜色权基本一样时，类似于高斯滤波，这样变可平滑处理图像。当处在边界时（所谓边界，就是颜色反差极大的地方），边界上的点互相颜色相近，会取极大的权值，而边界外的的点，颜色距离很远，权值取的很小（甚重可以忽略不计），这样就保护了边缘（保边去噪）。

5.均值漂移滤波函数pyrMeanShiftFiltering() :定义：pyrMeanShiftFiltering(sr，sp，sr，ds = None，maxLevel = None， termcrit = None )

src：输入图像，8位，三通道的彩色图像。
  sp：定义的漂移物理空间半径大小
  sr：定义的漂移色彩空间半径大小

这个函数让图像在色彩层面平滑滤波，它可以中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域。

6.自定义模糊:使用的函数为：filter2D()：定义为filter2D(src,ddepth,kernel)

ddepth：深度，输入值为-1时，目标图像和原图像深度保持一致

kernel: 卷积核（或者是相关核）,一个单通道浮点型矩阵

修改kernel矩阵即可实现不同的模糊

import cv2 as cv
import numpy as np
from numpy.lib.type_check import imag

def mo_image(src1):
    #均值模糊  这里需要了解卷积核原理  括号里的数字必须为单数，且数字越大，模糊效果越明显
    src2 = cv.blur(src1,(5,5))
    cv.imshow('blur',src2)


    # 中值模糊 对椒盐噪声有良好的去噪效果
    src2 = cv.medianBlur(src1,5)
    cv.imshow('medianBlur',src2)

    # 高斯模糊
    src2 = cv.GaussianBlur(src1,(5,5),2)
    cv.imshow('GaussianBlur',src2)

    # 双边滤波
    src2 = cv.bilateralFilter(src1,5,5,2)
    cv.imshow('bilateralFilter',src2)


# 自定义模糊函数
def zi_image(src1):
    kernel1 = np.ones((5,5),np.float)/25 #自定义矩阵，并防止数值溢出
    src2 = cv.filter2D(src1,-1,kernel1)

    # 自定义模糊
    cv.imshow("custom_mean_blur", src2)
    kernel2 = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)   #数组里面的数的和为1或0
    src2 = cv.fillter2D(src1,-1,kernel2)

    # 锐化，使图像更清晰
    cv.imshow("custom_sharpening", src2)

def clamp(pv):
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    return pv

# 添加噪声
def gaussian_noise(image):
    h,w,c = image.shape
    for row in range(h):
        for col in range(w):
        # 从0,10之间取三个数
            s = np.random.normal(0,10,3)
            b = image[row,col,0]
            g = image[row,col,1]
            r = image[row,col,2]
            image[row,col,0] = clamp(b+s[0])
            image[row,col,1] = clamp(g+s[1])
            image[row,col,2] = clamp(r+s[2])
    cv.imshow("noise image",image)


# 边缘保留滤波(EPF)
# 高斯双边滤波
def bilateral_demo(img):
    dst = cv.bilateralFilter(src=img, d=0, sigmaColor=100, sigmaSpace=15)
    '''
    高斯双边模糊，相当于磨皮操作
    src:原图像
    d: 像素的领域直径，可由sigmaColor和sigmaColor计算得到
    sigmaColor： 颜色空间的标准方差，一般越大越好
    sigmaSpace： 坐标空间的标准方差（像素单位），一般越小越好
    '''
    cv.imshow('bilateal_dome', dst)
    kennel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)  # 锐化操作使图像更立体
    dst1 = cv.filter2D(dst, -1, kennel)  # -1 表示和原图一样
    cv.imshow('sharpening_dome', dst1)

# 均值偏移滤波
def mean_shift_demo(img):
    dst = cv.pyrMeanShiftFiltering(src=img, sp=15, sr=20)
    '''
    均值偏移滤波处理，想当与把图片转油画的操作
    src: 原图像
    sp：空间窗的半径（The spatial window radius）
    sr: 色彩窗的半径（The color window radius）
    通过均值迁移来进行边缘保留滤波有时会导致图像过度模糊
    '''
    cv.imshow('mean_shift_demo', dst)

if __name__ == '__main__':
    '''
    模糊函数mo_image()
    '''
    # src = cv.imread("pic/cat.jpg")
    # cv.namedWindow("original", cv.WINDOW_NORMAL)
    # cv.imshow("original", src)
    # mo_image(src)
    # cv.waitKey(0)
    # cv.destroyAllWindows()

    '''
    自定义模糊zi_image()
    '''
    # src = cv.imread("pic/cat.jpg")
    # cv.namedWindow("original", cv.WINDOW_NORMAL)
    # cv.imshow("original", src)
    # zi_image(src)
    # cv.waitKey(0)
    # cv.destroyAllWindows()

    '''
    添加噪声gaussian_noise()
    '''
    # src = cv.imread("pic/cat.jpg")
    # cv.namedWindow("original", cv.WINDOW_NORMAL)
    # cv.imshow("original", src)
    # gaussian_noise(src)
    # cv.waitKey(0)
    # cv.destroyAllWindows()

    '''
    高斯双边滤波bilateral_demo()
    '''
    # src = cv.imread("data/baboon.jpg")
    # cv.namedWindow("original", cv.WINDOW_NORMAL)
    # cv.imshow("original", src)
    # bilateral_demo(src)
    # cv.waitKey(0)
    # cv.destroyAllWindows()


    '''
    均值偏移滤波mean_shift_demo()
    '''
    src = cv.imread("pic/bizhi.jpg")
    cv.namedWindow("original", cv.WINDOW_NORMAL)
    cv.imshow("original", src)
    mean_shift_demo(src)
    cv.waitKey(0)
    cv.destroyAllWindows()