（1）自定义卷积核图像滤波

import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv


img_path = r"D:\data\test6-6.png"
img = cv.imread(img_path)

# 图像滤波
ker = np.ones((6, 6), np.float32)/36  # 构建滤波器（卷积层）
img1 = cv.filter2D(img, -1, ker)  # cv.filter2D(原图，深度，滤波器)

（2）函数卷积核图像滤波

• 1、均值滤波和高斯模糊

# 图像平滑
# 1、均值平滑
# 当卷积核大小与上面的图像滤波的滤波器一样时，其结果是一样的
img2 = cv.blur(img, (11, 11))  # cv.blur(原图，卷积核大小)
# img2 = cv.boxFilter(img, -1, (5, 5), normalize=False) # 与上述的结果相同，只是不采用标准化框

# 2、高斯模糊
# 单独指定x标准差，则y标准差等于x，若是两个都为0，则根据kszie进行计算
img3 = cv.GaussianBlur(img, (25, 25), 3)  # cv.GaussianBlur(原图，卷积核大小，x标准差==y标准差)
# 卷积核孔径的大小就是卷积核的高度，一般采用奇数
# 当高斯标准差sigma为负时，采用公式sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8
# ker1 = cv.getGaussianKernel(5, 0)  # getGaussianKernel(卷积核孔径的大小，高斯标准差)
# img3 = cv.filter2D(img, -1, ker1)  # 利用filter2D进行高斯平滑

• 2、中值滤波

# 3、中值平滑
# 对很多椒盐噪声很管用
median_img = cv.imread(r"D:\data\test6.png")
img4 = cv.medianBlur(median_img, 5)  # cv.medianBlur(原图，卷积核孔径大小)

• 3、双边滤波

# 4、双边滤波
# 适用于保存边缘，模糊局部
bli_imgg = cv.imread(r"D:\data\test6-6-6.png")
bli_img = cv.cvtColor(bli_imgg, cv.COLOR_BGR2RGB)
img5 = cv.bilateralFilter(bli_img, 30, 120, 120)