目录

一、空间域处理

1.基于领域的卷积滤波变换

（1）、平滑均值滤波/卷积

（2）、平滑中值滤波/卷积

（3）、自定义过滤器卷积

（4）、平滑高斯滤波/卷积

（5）、梯度Prewitt滤波/卷积

（6）、梯度Sobel滤波/卷积

（7）、梯度Laplacian滤波/卷积

二、频率域处理

一、空间域处理

1.基于领域的卷积滤波变换

（1）、平滑均值滤波/卷积

        破坏了图像的细节使图像变得模糊，同时不能很好的去除噪声

def blur_demo(image):
    dst = cv.blur(image, (5, 5))
    cv.imshow("blur_demo", dst)

（2）、平滑中值滤波/卷积

中值滤波对降噪能起到很好的作用，同时尽可能保留图像的细节

def median_blur_demo(image):
    dst = cv.medianBlur(image, 5)
    cv.imshow("median_blur_demo", dst)

（3）、自定义过滤器卷积

def custom_blur_demo(image):
    #kernel = np.ones([5, 5], np.float32)/25
    kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]], np.float32)
    dst = cv.filter2D(image, -1, kernel=kernel)
    cv.imshow("custom_blur_demo", dst)

• （左）移位

• 锐化

（4）、平滑高斯滤波/卷积

1. 模拟人眼（离关注中心越远，精度越模糊），关注中心区域。有效的去除高斯噪声
2. 越小关注区域越集中

blur_1 = cv2.GaussianBlur(img,(5,5),0)#高斯滤波(5, 5)表示高斯矩阵的长与宽都是5，标准差取0

（5）、梯度Prewitt滤波/卷积

（6）、梯度Sobel滤波/卷积

sobelx = cv.Sobel(img,cv.CV_64F,1,0,ksize=5)#Sobel算子为边沿检测中常用的算子之一,Sobel 算子计算一阶、二阶、三阶或混合图像差分
sobely = cv.Sobel(img,cv.CV_64F,0,1,ksize=5)

（7）、梯度Laplacian滤波/卷积

1. 团块检测：周边高于（低于）中心点
2. 边缘检测：像素值快速变化的区域

laplacian = cv.Laplacian(img,cv.CV_64F)#对图像求二阶导数，一般用于边缘突出,在边缘检测中应用为Laplacian滤波

二、频率域处理