在 OpenCV 中，滤波器是图像处理中的重要工具，用于对图像进行平滑、去噪、边缘检测等操作。以下是几种常见滤波器的简单介绍。
1. 均值滤波 (Mean Filter)
功能：
对图像进行平滑处理，减少噪声。
应用场景：
- 去除图像中的细小噪声。
- 模糊图像，弱化细节。
操作原理：
使用一个固定大小的卷积核（如 3×3 或 5×5），计算该核内像素的平均值，并用平均值替换中心像素。
示例代码：
python"># img: 输入图像
# (5, 5): 卷积核大小（5x5）
img_mean = cv2.blur(img, (5, 5))2. 方盒滤波 (Box Filter)
功能：
类似于均值滤波，但可以选择是否归一化结果。
应用场景：
- 图像平滑。
- 快速模糊处理。
操作原理：
计算卷积核区域内所有像素的平均值（归一化），或者仅计算总和（不归一化）。
示例代码：
python"># img: 输入图像
# -1: 输出图像的深度与输入相同
# (5, 5): 卷积核大小
# normalize=True: 归一化使结果为平均值
img_box = cv2.boxFilter(img, -1, (5, 5), normalize=True)
3. 高斯滤波 (Gaussian Filter)
功能：
平滑图像，减少噪声，同时尽可能保留边缘信息。
应用场景：
- 去除高斯噪声。
- 模糊处理，常用于计算机视觉中的预处理步骤。
操作原理：
使用一个基于高斯分布权重的卷积核，距离中心越近的像素权重越大，生成平滑效果。
示例代码：
python"># img: 输入图像
# (5, 5): 高斯核大小
# 0: 根据核大小自动计算高斯分布标准差
img_gaussian = cv2.GaussianBlur(img, (5, 5), 0)
4. 中值滤波 (Median Filter)
功能：
对图像进行平滑，去除“椒盐噪声”，保留边缘。
应用场景：
- 图像去噪，特别是去除“盐和胡椒噪声”。
- 保留图像的边缘细节。
操作原理：
取卷积核内像素的中值，替代中心像素的值。
示例代码：
python"># img: 输入图像
# 5: 核大小（5x5）
img_median = cv2.medianBlur(img, 5)
5. 双边滤波 (Bilateral Filter)
功能：
在平滑图像的同时，保留边缘细节。
应用场景：
- 美颜和图像增强。
- 去除噪声的同时保留图像边缘。
操作原理：
结合空间距离和像素值相似度加权，计算加权平均值。空间距离控制模糊范围，像素值相似度控制边缘保留。
示例代码：
python"># img: 输入图像
# d=15: 过滤时每个像素邻域的直径
# sigmaColor=75: 色彩空间的标准差（控制相似度范围）
# sigmaSpace=75: 坐标空间的标准差（控制距离影响范围）
img_bilateral = cv2.bilateralFilter(img, d=15, sigmaColor=75, sigmaSpace=75)
6. Sobel 算子 (Sobel Filter)
功能：
边缘检测，提取图像的梯度信息。
应用场景：
- 图像梯度计算。
- 边缘检测中的预处理。
操作原理：
计算图像的一阶导数，通过不同方向的卷积核计算水平或垂直方向的梯度。
示例代码：
python"># img: 输入图像
# cv2.CV_64F: 输出图像的深度
# dx=1, dy=0: 对x求一阶导数
# ksize=3: 卷积核大小（3x3）
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)# dx=0, dy=1: 对y求一阶导数
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
7. Scharr 算子
功能：
精确边缘检测，计算梯度比 Sobel 算子更精确。
应用场景：
- 高精度边缘检测。
- 对细节要求较高的梯度计算。
操作原理：
改进的 Sobel 算子，使用优化的 3×33 \times 33×3 卷积核，减少梯度计算的误差。
示例代码：
python"># img: 输入图像
# cv2.CV_64F: 输出图像的深度
# dx=1, dy=0: 对x求一阶导数
scharr_x = cv2.Scharr(img, cv2.CV_64F, 1, 0)# dx=0, dy=1: 对y求一阶导数
scharr_y = cv2.Scharr(img, cv2.CV_64F, 0, 1)
8. 拉普拉斯算子 (Laplacian Filter)
功能：
检测图像边缘，突出图像的结构。
应用场景：
- 边缘检测。
- 提取图像的细节。
操作原理：
计算图像的二阶导数，通过检测亮度变化突出边缘。
示例代码：
python"># img: 输入图像
# cv2.CV_64F: 输出图像的深度
laplacian = cv2.Laplacian(img, cv2.CV_64F)
9. Canny 边缘检测 (Canny Edge Detection)
功能：
精准检测图像的边缘。
应用场景：
- 边缘提取，广泛用于目标检测、分割等领域。
操作原理：
Canny 算法由以下步骤组成：
- 使用高斯滤波器平滑图像。
- 计算图像梯度。
- 应用非极大值抑制（NMS）来增强边缘。
- 双阈值检测，连接边缘。
示例代码：
python"># img: 输入图像
# 100: 最低阈值
# 200: 最高阈值
edges = cv2.Canny(img, 100, 200)
对比总结
| 滤波器/算子 | 功能 | 适用场景 | 优势 |
|---|---|---|---|
| 均值滤波 | 平滑图像，去噪声 | 去除小噪声，图像模糊 | 简单高效 |
| 方盒滤波 | 类似均值滤波 | 模糊处理 | 可选择归一化 |
| 高斯滤波 | 平滑图像，保留边缘 | 去噪，预处理 | 去噪效果优于均值滤波 |
| 中值滤波 | 去噪，保留边缘 | 去“椒盐”噪声 | 去噪效果佳，保留细节 |
| 双边滤波 | 平滑并保留边缘 | 图像增强 | 边缘保留效果佳 |
| Sobel 算子 | 梯度计算，边缘检测 | 边缘提取 | 可检测方向性边缘 |
| Scharr 算子 | 高精度梯度计算 | 边缘检测，对细节要求高 | 精度更高的梯度计算 |
| 拉普拉斯算子 | 边缘检测，突出结构 | 边缘提取 | 检测亮度变化显著的边缘 |
| Canny 算子 | 边缘检测 | 精准边缘提取 | 效果好，抗噪性强 |
在实际应用中，应根据处理任务的具体需求，选择合适的滤波器和算子。
