7.2 方框滤波

一、方块滤波的使用

处理结果= cv2.boxFilter(原始图像,目标图像深度,核大小,normalize属性) //目标图像深度。一般设为-1,表示与原始图像深度一样。

//核大小，一般是(3,3)或(5,5)

//normalize属性，归一化属性。省略不写默认为true。

二、方框滤波与均值滤波的关系

当归一化属性取true时，进行归一化处理，这时与均值滤波效果相同。

当归一化属性取false时，不进行归一化处理，直接求周围N*N范围内的和，不再求平均。这时候就与均值滤波不同了，不过很容易发生溢出。当超过255时，就取255。

7.2 方框滤波

三、使用举例

r = cv2.boxFilter(image,-1,(5,5),normalize=1) #这时方框滤波等价于均值滤波：r = cv2.blur(image,(5,5))。【例1】

r = cv2.boxFilter(iamge,-1,(5,5),normalize=0) #不进行归一化处理。【例2】【例3】

例1：

'''
方框滤波
'''

import cv2

image = cv2.imread("image\\lenaNoise.png") #经过椒盐攻击的图像

result = cv2.boxFilter(image,-1,(5,5),normalize=1) #方框滤波

cv2.imshow("image", image)
cv2.imshow("result", result)

cv2.waitKey()
cv2.destroyAllWindows()

结果：

7.2 方框滤波

与均值滤波效果相同。

例2：

'''
方框滤波
'''

import cv2

image = cv2.imread("image\\lenaNoise.png") #经过椒盐攻击的图像

result = cv2.boxFilter(image,-1,(5,5),normalize=0) #方框滤波
result2 = cv2.boxFilter(image,-1,(2,2),normalize=0) #方框滤波

cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.imshow("result2", result2)

cv2.waitKey()
cv2.destroyAllWindows()

结果：

7.2 方框滤波

不进行归一化处理，采用5*5的核，周围25个像素值的和很可能超过255，导致像素点为白色。

不进行归一化处理，采用2*2的核，周围4个像素点的和有可能不超过255。

总结：

方框滤波如果进行归一化处理，就是均值滤波。

如果不进行归一化处理，就是求周围所有像素值的和，很可能全都是白色。