為了消除外界環境對圖像採集的幹擾，增強圖像的邊緣及灰度跳變的部分，使圖像變得清晰以及提高圖像處理速度需要對圖像進行預處理操作，主要是對圖像進行濾波和增強操作。
使用的方法可以分為空間域處理和頻率域處理兩類。
空間域指圖像平面本身，這類圖像處理方法用各種模板直接與圖像進行卷積運算，實現對圖像的處理。
頻率域是指從函數的頻率角度出發分析函數，對圖像進行傅立葉變換可以將圖像由圖像空間轉換到頻域空間，然後在頻率域中對圖像的頻譜作分析處理，以改變圖像的頻率特徵。
空間域與頻率域是兩種不同的技術，都可以實現對圖像的濾波、增強，只是有些處理方式更適合在空間域完成，而有些則更適合在頻率域中完成。
頻率域的理解、使用還是很很困難的，需要深厚的數學功底，我也不是特別明白，以後的示例主要是圖像在空間域的處理。
圖像濾波（模糊）
濾波也叫模糊，下面是opencv中常見的五種濾波方法，先看一下濾波前後的效果。
# -*- coding: utf-8 -*-
"""
運行環境 python==3.6 opencv-contrib-python== 4.1 win10系統
第一行 「 # -*- coding: utf-8 -*- 」 告訴Python解釋器，按照UTF-8編碼讀取原始碼
"""
dir1="lena.jpg"
img1=cv2.imread(dir1) #讀入圖片
#
#2D濾波 ，2D卷積就是自定義構造一個核
#構建一個卷積核5*5
kernel=np.ones((5,5),np.float32)/25 # 除以25是防止數值溢出
filter2D=cv2.filter2D(img1,-1,kernel)
cv2.imshow("filter2D", filter2D)
#
#中值模糊
#中值濾波法是一種非線性平滑技術，對椒鹽噪聲有很好的去燥效果
medianBlur=cv2.medianBlur(img1,5)
cv2.imshow("medianBlur", medianBlur)
#
#均值模糊
#均值濾波是典型的線性濾波算法，去隨機噪聲有很好的去噪效果
#dst=cv2.blur(img1, (1, 5)) #（1, 15）是垂直方向模糊，（15， 1）還水平方向模糊
#dst=cv2.blur(img1, (5, 1)) #（1, 15）是垂直方向模糊，（15， 1）還水平方向模糊
blur=cv2.blur(dst,(5,5)) #兩個方向模糊
cv2.imshow("blur", blur)
#
#高斯模糊
#保留圖像的主要特徵 輪廓 高斯模糊比均值模糊去噪效果好
GaussianBlur=cv2.GaussianBlur(img1,(5,5),0)
cv2.imshow("GaussianBlur", GaussianBlur)
#
#雙邊濾波 ，保留邊緣
# Python: cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst
#src：輸入圖像
#d：過濾時周圍每個像素領域的直徑
#sigmaColor：在color space中過濾sigma。參數越大，臨近像素將會在越遠的地方mix。
#sigmaSpace：在coordinate space中過濾sigma。參數越大，那些顏色足夠相近的的顏色的影響越大。
bilateralFilter = cv2.bilateralFilter(img1,13,75,75)
cv2.imshow("bilateralFilter", bilateralFilter)
#
cv2.waitKey(0)
cv2.destroyAllWindows()
濾波方法還有很多，具體選擇哪種方法要根據實際圖像確定，參數需要不斷的調整，濾波效果好的圖像，有利於後續的圖像處理。