【1】引言
前序学习过程中，已经掌握了对图像的基本滤波操作技巧，具体的图像滤波方式包括均值滤波、中值滤波和高斯滤波，相关文章链接有：
python学opencv|读取图像（五十四）使用cv2.blur()函数实现图像像素均值处理-CSDN博客
python学opencv|读取图像（五十五）使用cv2.medianBlur()函数实现图像像素中值滤波处理-CSDN博客
python学opencv|读取图像（五十六）使用cv2.GaussianBlur()函数实现图像像素高斯滤波处理-CSDN博客
进过前序文章的实践探索，随着像素核的增大，实际的滤波效果都出现了图像模糊的情形，因此，有必要继续探索新的滤波方式。
这就是本次文章的学习目的：掌握双边滤波函数cv.bilateralFilter()。
双边滤波函数cv.bilateralFilter()的工作原理为：在图像的中心区域，采用类似高斯滤波的方式处理，在图像的边缘区域，加大边缘区域像素点的权重，以保证图像的清晰度。
【2】官网教程
点击下方链接，直达双边滤波函数cv.bilateralFilter()的官网教程：
OpenCV: Image Filtering
官网页面对双边滤波函数cv.bilateralFilter()的说明为：
图1 官网页面对双边滤波函数cv.bilateralFilter()的说明
官网页面对双边滤波函数cv.bilateralFilter()的参数说明为：
void cv::bilateralFilter (
InputArray src, #输入图像
OutputArray dst, #输出图像
int d, #像素核直径
double sigmaColor, #像素点颜色值和周围颜色值差值小于此值时进行滤波
double sigmaSpace, #像素坐标开关，值越大，参与计算的像素点越多
int borderType = BORDER_DEFAULT ) #边界样式，可选参数
【3】代码测试
首先是引入模块和相关图像：
import cv2 as cv # 引入CV模块
# 读取图片
srcm = cv.imread('srcx.png') # 读取图像srcx.png然后是对图像进行双边滤波处理：
#滤波计算
src1 = cv.bilateralFilter(srcm,3,180,200) # 图像取平均值，像素核大小为(3,3)
src2 = cv.bilateralFilter(srcm,5,180,200) # 图像取平均值，像素核大小为(5,5)
src3 = cv.bilateralFilter(srcm,7,180,200) # 图像取平均值，像素核大小为(7,7)之后显示图像：
# 显示结果
cv.imshow('srcm ', srcm)
cv.imshow('src1 ', src1)
cv.imshow('src2 ', src2)
cv.imshow('src3 ', src3)
cv.imwrite('src1b.png',src1)
cv.imwrite('src2b.png',src2)
cv.imwrite('src3b.png',src3)
# 窗口控制
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口程序运行使用的相关图像为：
图2 初始图像scrx.png
图3 双边滤波图像scr1.png
图3 双边滤波图像scr2.png
图3 双边滤波图像scr3.png
由图2至图5可见，双边滤波函数cv.bilateralFilter()处理后的图像，随着像素核的增大，虽然也出现了模糊的效果，但模糊的程度较小，较大程度保证了图像的清晰度。
【4】细节说明
调用cv2.bilateralFilter()滤波函数进行双边滤波时，给出的是像素核直径。
而其他三种滤波方式不一样：
调用cv2.medianBlur()函数进行中值滤波时，使用的像素核只需要写出边长n，但这个边长也应该是奇数，cv2.medianBlur()函数会自动根据这个边长划定一个正方形的像素核。
调用cv2.blur()函数进行均值滤波和调用cv2.GaussianBlur()函数进行高斯滤波处理时，均需要给出(nXn)大小的像素核，这个n应使用奇数。
像素核使用奇数大小会比较好，是因为奇数大小会在最中间围成一个方格，这个方格就是核心方格，滤波计算的值直接赋给这个核心方格。
图6 图像滤波技术对比
【5】总结
掌握了使用python+opencv实现调用cv2.bilateralFilter()函数进行双边滤波处理图像的技巧。
