1.概念介绍
均值滤波是典型的 线性滤波算法，是指用当前像素点周围nxn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，可完成整幅图像的均值滤波。
2.基本原理
如图2-1，我们对第5行第5列的像素点进行均值滤波时，首先需要考虑需要对周围多少个像素点去取平均值。 通常情况下，我们会以该当前像素为中心，对行数和列数相等的一块区域内的所有像素点的像素取平均值。
例如,我们可以以当前像素点的像素周围3×3区域内所有像素点的像素取平均值，也可以对周围5×5区域内所有像素点的像素值取平均值。
图2-1 一幅图像的像素值示例
当前像素点的位置为第5行第5列时，我们对其周围5*5区域内的像素值取平均，计算方法如下：
像素点新值=
[(197+25+106+156+159）
(149+40+107+5+71)+
(163+198+226+223+156) +
(222+37+68+193+157)+
(42+72+250+41+75)]/25 = 126
计算得到新值以后，我们将新值作为当前像素点均值滤波后的像素值。我们针对图2-1的每一个像素点计算其周围5×5区域内的像素值均值，并将其作为当前像素点的新值，即可得到当前图像的均值滤波结果。
然而图像的边界并不存在5×5的领域区域。如图2-1的左上角第1行第1列上的像素点，其像素值为23。如果以其为中心点取周围5×5领域，则5×5领域的部分区域位于图像外部。但是图像外部是没有像素点和像素值的，显然是无法计算该点的领域均值的。
因此， 针对边缘的像素点，可以只取图像内存在的周围领域点的像素值均值。如图2-2所示，计算左上角的均值滤波结果时，仅取图中灰色背景的3 _3领域内的像素值的平均值。计算方法如下：
像素点新值=
[(23+158+140)+
(238+0+67)+
(199+197+25)]/9
=116
除此之外，我们还可以扩展当前图像的周围像素点。例如，可以将当前9_7大小的图像扩展为13*11大小的图像，如图2-3所示。
图2-3 扩展边缘
在完成图像边缘拓展后，我们可以在新增的行列内填充不同的像素值。在此基础上，再针对9×7的原始图像计算其5×5领域内像素点的像素值均值。OpenCV提供了多种边界处理方式，我们可以根据实际需要选用不同的边界处理模式。
针对第5行第5列的像素点，其运算过程相当于一个额内部值是1/25的5 _5矩阵进行相乘运算，从而得到均值滤波的结果为126。如图2-4所示。
根据上述运算，针对每一个像素点，都是与一个内部值均为1/25的5_5举证相乘，得到均值滤波的计算结果。示意图如图2-4所示
图1-4 针对每一个像素点均值滤波的运算示意图
将使用到的5×5矩阵一般化，可以得到如下图2-5的结果。
图2-5 将矩阵一般化
在Opencv中，将图1-5右侧的矩阵称为卷积核，其一般形式如下图2-6所示。 其中M和N分别对应高度和宽度，一般情况下M和N的值是相等的，常用的3×3、5×5和7×7。 如果M和N的值越大，参与运算的值就越大，参与运算的像素点的数量就越多，图像失真就越严重。
图2-6 卷积核
; 3.函数语法
在OpenCV中，实现均值滤波的函数是cv2.blur(),其语法格式为： dst = cv2.blur( src, ksize, anchor, borderType )
参数解析：
dst：返回值，表示进行均值滤波后得到的处理结果。
src：需要处理的图像，即原始图像。它可以有任意数量的通道，并能对各个通道独立进行处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ksize：滤波核的大小。滤波核的大小是指在均值处理的过程中，其领域图像的高度和宽度。例如，其值可以为(5,5)，表示以5*5大小的领域均值作为图像均值滤波处理的结果。
anchor：锚点，默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。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：边界样式，该值决定了以何种方式处理边界，其值如下表所示。一般情况下不需要考虑该值的取值，直接采用默认值即可。
Original: https://blog.csdn.net/weixin_51571728/article/details/121455266
Author: 半濠春水
Title: 均值滤波(Mean filtering)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/671890/
转载文章受原作者版权保护。转载请注明原作者出处！