相信很多小伙伴都听过“滤波器”这个词，在通信领域，滤波器能够去除噪声信号等频率成分，然而在我们OpenCV中，“滤波”并不是对频率进行筛选去除，而是实现了图像的平滑处理。接下来，这篇随笔介绍使用OpenCV进行图像处理的第六章 图像平滑处理。
6 图像平滑处理
未经处理的图像含有噪声的影响，所以我们希望尽可能保留原图像的信息，过滤掉图像内部的噪声像素，得到平滑图像，这个过程称作图像的平滑处理。
一幅图像中，若某一像素点与周围像素值差异过大，该像素点很可能是噪声，则需要把值调整为周围的像素点的近似值。如图所示：
那么，如何对图像进行平滑处理过滤噪声呢？OpenCV提供了多种计算方法，有：
均值滤波
方框滤波
高斯滤波
中值滤波
双边滤波
2D卷积滤波（自定义滤波）
6.1 均值滤波
均值滤波是指使用当前N×N个像素值的均值来替代当前像素值，例如使用周围3×3的像素点对第3行第3列像素值做均值滤波，如图：
新值=（179+176+175+176+31+179+180+185+181）/ 9 = 162
也相当于，对上图黄色区域矩阵乘以3×3的卷积核，该均值滤波3×3的卷积核如下（右侧矩阵）：
OpenCV提供了cv2.blur()函数进行均值滤波，举例程序如下：
1 #针对噪声图像，使用不同大小的卷积核对其进行均值滤波，并显示均值滤波的情况 2 import cv2 3 o=cv2.imread('E:\python_opencv\lena.jpg') 4 r5=cv2.blur(o,(5,5)) #5×5卷积核进行均值滤波 5 r30=cv2.blur(o,(30,30)) #30×30卷积核进行均值滤波 6 cv2.imshow('original',o) 7 cv2.imshow('result5',r5) 8 cv2.imshow('result30',r30) 9 cv2.waitKey() 10 cv2.destroyAllWindows()