本篇内容介绍了“Python OpenCV边缘滤波保留怎么使用”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
十余年的察哈尔右翼前网站建设经验，针对设计、前端、开发、售后、文案、推广等六对一服务，响应快，48小时及时工作处理。营销型网站建设的优势是能够根据用户设备显示端的尺寸不同，自动调整察哈尔右翼前建站的显示方式，使网站能够适用不同显示终端，在浏览器中调整网站的宽度，无论在任何一种浏览器上浏览网站，都能展现优雅布局与设计，从而大程度地提升浏览体验。创新互联公司从事“察哈尔右翼前网站设计”,“察哈尔右翼前网站推广”以来，每个客户项目都认真落实执行。
双边滤波函数原型如下：
dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])
参数说明：
src：输入图像；
d：过滤过程中每个像素邻域的直径范围。如果不是正数，则函数会从参数 sigmaSpace 计算该值；
sigmaColor：颜色空间过滤器的 sigma 值，参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半等色区域；
sigmaSpace：坐标空间中滤波器的 sigma 值，如果该值较大，则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当 d>0 时，d 指定了邻域大小且与 sigmaSpace 无关，否则 d 正比于 sigmaSpace。
dst：和源图象相同大小、相同格式的输出图象；
一般将 sigmaSpace 设置大一些，sigmaColor 设置小一些，最终呈现的效果较好。
优缺点：
双边滤波，可很好的保存图像边缘细节，并且过滤掉低频分量的噪音，但是双边滤波效率不是很高，花费时间比其他滤波器较长。
测试代码如下，先掌握函数基本使用再说。
import cv2 as cvimport numpy as np# 双边滤波def bilater(image):# 第三个参数大一点（color），第四个小一点（space）dst = cv.bilateralFilter(image, 0, 100, 15)cv.namedWindow("dst")cv.imshow("dst", dst)src = cv.imread("./123.jpg")cv.namedWindow('src')cv.imshow('src', src)bilater(src)cv.waitKey(0)cv.destroyAllWindows()均值迁移算法是一种通用的聚类算法，它的基本原理是：
对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。（没看太明白，大概了解一下即可）
函数原型如下：
dst = cv2.pyrMeanShiftFiltering(src, sp, sr[, dst[, maxLevel[, termcrit]]])
参数说明：
src：输入图像，8 位 3 通道图像；
sp：迁移物理空间半径大小；
sr：迁移色彩空间半径大小；
dst：可选参数，和源图象相同大小、相同格式的输出图象；
maxLevel：可选参数，金字塔的最大层数；
termcrit：可选参数，迁移迭代终止条件，可以设置为迭代次数满足终止，迭代目标与中心点偏差满足终止，或者两者的结合。
所有参数中，sp 与 sr 必选，二者设置的值越大，对图像色彩的平滑效果越明显，同时函数耗时越多。
测试代码如下：
import cv2 as cvimport numpy as np# 双边滤波def bilater(image):# 第三个参数大一点（color），第四个小一点（space）dst = cv.bilateralFilter(image, 0, 100, 15)cv.namedWindow("dst")cv.imshow("dst", dst)# 均值迁移滤波def pyrmeanshift(src):dst = cv.pyrMeanShiftFiltering(src, 10, 50)cv.imshow("dst", dst)src = cv.imread("./123.jpg")cv.namedWindow('src')cv.imshow('src', src)pyrmeanshift(src)cv.waitKey(0)cv.destroyAllWindows()“Python OpenCV边缘滤波保留怎么使用”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！
