dst = cv2.blur( src, ksize, anchor, borderType )

其中：

• dst 是返回值，表示进行均值滤波后得到的处理结果。
• src 是需要处理的图像，即原始图像。
• ksize 是滤波核的大小。（就是卷积核）
• anchor 是锚点，默认值是(-1,-1)，表示当前计算均值的像素点位于滤波核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
• borderType 是边界样式，该值决定了以何种方式处理边界。OpenCV 提供了多种填充边界的方式，如用边缘值填充、用 0 填充、用 255 填充、用特定值填充等。

一般来说，anchor 和borderType 都不需要修改，因此只需要传入3个参数即可。

程序示例

import cv2
o=cv2.imread("Colnoiselena.jpg")
r3=cv2.blur(o,(3,3))
r11=cv2.blur(o,(7,7))
cv2.imshow("original",o)
cv2.imshow("result3",r3)
cv2.imshow("result7",r11)
cv2.waitKey()
cv2.destroyAllWindows()

上图中白色的点即为噪声，使用3× 3的卷积核时噪声明显有所改善，图像失真不太严重；使用7× 7 的卷积核时图像噪声大幅减少，但是图像失真很严重。

补充：失真表示与原图像的偏差，这里也就是模糊度。

基本原理

高斯滤波中，卷积核的值不再相等，但卷积核的大小一定要是奇数。不同大小的卷积核如下图示：

计算方式如下：

函数用法

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 )

其中：

• dst 是返回值，表示滤波后的图像。
• src 是需要处理的图像，即原始图像。
• ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中邻域图像的高度和宽度。滤波核的大小必须是奇数。
• sigmaX 是卷积核在水平方向（X 轴方向）上的标准差，其控制的是权重比。
• sigmaY是卷积核在垂直方向（Y轴方向）上的标准差。若将该值设置为0，则只采用sigmaX 的值；如果 sigmaX 和 sigmaY 都是 0，则通过 ksize.width 和 ksize.height 计算得到。其中：
• 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，该值采用默认值即可。

补充：这里可能会有不理解标准差和权重比的，我简单说一下：标准差就是方差开根，表示数据的离散程度，换句话说就是标准差越大，表示所有数据离均值越远，越小离均值越近。而权重比就是卷积核内的数求和取倒数。

在这里，sigmaY 和 borderType 是可选参数。sigmaX 是必选参数，但是可以将该参数设置为 0，让函数自己去计算 sigmaX 的具体值。所以至少需要传入3个参数。

一般来说当卷积核确定时，sigma 越大图像的去噪效果越好，但相应的图像也变得更为模糊，反之亦是如此。为了简便，我们一般不会手动去设置这个值，由函数自己计算，因此函数的一般形式为

dst = cv2.GaussianBlur( src, ksize, 0, 0 )

程序示例

import cv2
o=cv2.imread(r"Colnoiselena.jpg")
r1=cv2.GaussianBlur(o,(5,5),0,0)
r2=cv2.GaussianBlur(o,(5,5),0.1,0.1)
r3=cv2.GaussianBlur(o,(5,5),1,1)
cv2.imshow("original",o)
cv2.imshow("result1",r1)
cv2.imshow("result2",r2)
cv2.imshow("result3",r3)
cv2.waitKey()
cv2.destroyAllWindows()

dst = cv2.medianBlur( src, ksize)

其中：

import cv2
import numpy as np
o=cv2.imread("1.png")
kernel1 = np.ones((3,3),np.uint8)
erosion1 = cv2.erode(o,kernel1)
kernel2 = np.ones((5,5),np.uint8)
erosion2 = cv2.erode(o,kernel2, iterations=5)
cv2.imshow("orriginal",o)
cv2.imshow("erosion1",erosion1)
cv2.imshow("erosion2",erosion2)
cv2.waitKey()
cv2.destroyAllWindows()

图中：

• （a）表示待膨胀图像 img。
• （b）是核 kernel。
• （c）中的阴影部分是核 kernel 在遍历 img 时，核 kernel 中心像素点位于 img[1,1]、 img[3,3]时与前景对象存在重合像素点的两种可能情况。
• （d）是膨胀结果图像 rst。在核 kernel 内，当任意一个像素点与前景对象重合时，其中心点对应的膨胀结果图像内的像素点的像素值为 1；当核 kernel 与前景对象完全无重合时，其中心点对应的膨胀结果图像内的像素点值为 0。

dst = cv2.dilate( src, kernel[, anchor[, iterations[, borderType[, borderValue]]]])

import cv2
import numpy as np
o=cv2.imread("erode2.jpg")
kernel = np.ones((5,5),np.uint8)
dilation1 = cv2.dilate(o,kernel)
dilation2 = cv2.dilate(o,kernel,iterations = 9)
cv2.imshow("original",o)
cv2.imshow("dilation1",dilation1)
cv2.imshow("dilation2",dilation2)
cv2.waitKey()
cv2.destroyAllWindows()