中值滤波

中值滤波是一种统计排序滤波器，将一个区域（例如3×3大小的邻域）中的像素点进行统计排序，找到像素值的中位数来替换邻域中心的像素值。

中值滤波对于椒盐噪声有很好的抑制作用，因为椒盐噪声属于像素值过大或过小，如果使用中值来确定邻域中心像素值，那么就可以很好地过滤掉椒盐噪声。

中值滤波API

medianBlur(Mat src, Mat dst, ksize)

src:输入图像，图像为1、3、4通道的图像，当模板尺寸为3或5时，图像深度只能为CV_8U、CV_16U、CV_32F中的一个，如而对于较大孔径尺寸的图片，图像深度只能是CV_8U。
dst:输出图像，尺寸和类型与输入图像一致，可以使用Mat::Clone以原图像为模板来初始化输出图像dst.
ksize: 滤波模板的尺寸大小，必须是大于1的奇数，如3、5、7……

代码实例

Mat src;
src = imread("A:/opencvproject/001.jpg");
if (!src.data)
{
	cout << "img not ex";
	return -1;
}
char input_win[] = "input_window";

namedWindow(input_win, CV_WINDOW_AUTOSIZE);
imshow(input_win, src);

Mat gaublur;
GaussianBlur(src, gaublur, Size(9, 9), 11, 11);
namedWindow("gblur_win", CV_WINDOW_AUTOSIZE);
imshow("gblur_win", gaublur);

Mat medBlur;
medianBlur(src, medBlur, 9);
namedWindow("medBlur", CV_WINDOW_AUTOSIZE);
imshow("medBlur", medBlur);
waitKey(0);

双边滤波

均值滤波无法克服边缘像素信息丢失的缺陷，高斯滤波虽然克服了该缺陷但是也无法完全避免。
而高斯双边滤波是既考虑了空间位置（空间域核）的不同，也考虑了像素值（值域核）的不同的边缘保留滤波方法，避免了边缘信息的丢失，保留了图像轮廓（可以用于图像美颜）。

双边滤波API

bilateralFilter(Mat src, Mat dst, int d,double sigmaColor, double sigmaSpace,int borderType = BORDER_DEFAULT);

src：输入图像，即源图像，需要为8位或者浮点型单通道、三通道的图像。
dst，即目标图像，需要和源图片有一样的尺寸和类型，可以使用Mat::Clone以原图像为模板来初始化输出图像dst
d：表示在过滤过程中每个像素邻域的直径。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
sigmaColor：颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。（也就是说，在指定半径内，和邻域中心像素值的差值小于这个值的像素点才会被混合计算进来）
sigmaSpace：坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。
borderType：用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT

代码实例

Mat src;
src = imread("A:/opencvproject/001.jpg");
if (!src.data)
{
	cout << "img not ex";
	return -1;
}
char input_win[] = "input_window";

namedWindow(input_win, CV_WINDOW_AUTOSIZE);
imshow(input_win, src);

Mat gaublur;
GaussianBlur(src, gaublur, Size(9, 9), 11, 11);
namedWindow("gblur_win", CV_WINDOW_AUTOSIZE);
imshow("gblur_win", gaublur);

Mat bilateralBlur;
bilateralFilter(src, bilateralBlur, 9, 100, 5);
namedWindow("bilateralBlur", CV_WINDOW_AUTOSIZE);
imshow("bilateralBlur", bilateralBlur);
waitKey(0);

和原图进行对比：
在这里插入图片描述

可以看出，相比于原图，图像进行了模糊处理，但是图像的边缘还是十分清晰的。可以与高斯模糊的结果进行对比，对比效果会更加地明显。

和高斯模糊进行对比：
在这里插入图片描述

使用filter2d()函数对图像进行锐化处理

锐化时，使用的卷积核为：
在这里插入图片描述

Mat resultImg;
Mat kernel = (Mat_<int>(3,3)<< 0,-1, 0, -1. 5, -1, 0, -1, 0);
filter2D(bilateralBlur, resultImg, -1, kernel, Point(-1, -1), 0);//对双边滤波后的图像进行锐化处理可以使图像更加生动
imshow("Final Result", resultImg);
waitKey(0);