- 粗略的概念：图像平滑处理==图像模糊处理==图像滤波==图像质量增强；称呼是次要的，主要的是：使用算法处理问题；
均值滤波只考虑空间信息，并且权重全为1；
高斯滤波虽然只考虑空间信息，但是权重比例有所改变；
双边滤波既考虑空间信息，又考虑色彩信息（权重比例根据色彩信息确定）。
目录
（1）均值滤波
概念：均值滤波是指
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
。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。
如下图所示：在进行均值滤波时，首先要考虑需要对周围多少个像素点取平均值。通常情况下，我们会
以当前像素点为中心
，对行数和列数相等的一块区域内的所有像素点的
像素值求平均
。针对图像中第 5 行第 5 列的像素点，其运算过程相当于与一个内部值都是 1/25 的 5×5 矩阵
进行相乘计算
，从而得到均值滤波的结果
126。
（2）高斯滤波
概念：在进行均值滤波时，其
邻域内每个像素的权重是相等的
。在高斯滤波中，会将
中心点的权重值加大，远离中心点的权重值减小
，在此基础上计算邻域内各个像素值不同权重的和。
如下图所示：针对最左侧的图像内第 4 行第 3 列位置上像素值为 226 的像素点进行高斯卷积，其运算规则为
将该点邻域内的像素点按照
不同的权重
计算和
。
不同大小的卷积核，如下图所示：
前述滤波方式基本都只考虑了空间的权重信息，这种情况计算起来比较方便，但是在边缘信息的处理上存在较大的问题。
（3）双边滤波
概念：双边滤波是
综合考虑空间信息和色彩信息
的滤波方式，在滤波过程中能够
有效地保护图像 内的边缘信息
。
(a)是原始图像。 (b)是高斯滤波处理结果。(c)是双边滤波处理结果。
如下图所示：
(a)是原始图像
，左侧区域是白色（像素值为 255），右侧区域是黑色（像素值为 0）。
(b)是进行均值滤波的可能结果
。在进行均值滤波时，仅仅考虑空间信息，此时左右 两侧的像素的处理结果是综合考虑周边元素像素值，并对它们取均值得到的。
(
c)是进行双边滤波的可能结果
。在进行双边滤波时，不仅考虑空间信息，还考虑色彩差别信息。
注意：
色彩差异较大，颜色距离很远
，
权重占比越小
（颜色距离不是像素点之间的物理距离， 而是颜色值的距离。像素点的值分别是 0 和 255，差别很大，所以说它们颜色距离很远）。
（4）代码实现
import cv2
src = cv2.imread(r"G:\CSDN\python\lena.jpg")
src_blur = cv2.blur(src, (5, 5)) # 均值滤波
src_GB = cv2.GaussianBlur(src, (5, 5), 0, 0) # 高斯滤波
src_BF = cv2.bilateralFilter(src, 25, 100, 100) # 双边滤波
cv2.imshow("src", src)
cv2.imshow("blur", src_blur)
cv2.imshow("GB", src_GB)
cv2.imshow("BF", src_BF)
cv2.waitKey(0)
cv2.destroyAllWindows()
>>>运行结果
（5）语法格式解析（以高斯滤波为例）
# 在 OpenCV 中，实现高斯滤波的函数是 cv2.GaussianBlur()，该函数的语法格式是：
# dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )
# 式中：
# dst 是返回值，表示进行高斯滤波后得到的处理结果。
# src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
# ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，滤波核的值必须是奇数。
# borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。
# 官方文档建议显式地指定 ksize、sigmaX 和 sigmaY 三个参数的值，以避免将来函数修改后可能造成的语法错误。
# 当然，在实际处理中，可以显式指定 sigmaX 和 sigmaY 为默认值 0。
# 因此，函数 cv2.GaussianBlur()的常用形式为：
# dst = cv2.GaussianBlur( src, ksize, 0, 0 )
>>>如有疑问，欢迎评论区一起探讨