一、方和滤波
使用API — boxFiter(src, ddepth, ksize[,dst[,anchor[, normalize[, borderType]]]])方盒滤波
方盒滤波的卷积核如下所示：
— normalize = Ture时， a = 1 / （W*H）滤波器的宽高
— normalize = False时， a = 1 相当于什么都没做
一般情况使用normalize = Ture的情况，这时方盒滤波等价于均值滤波。
二、均值滤波
使用API—blur（src，ksize[, dst[, anchor[, borderType]]]）
blur（模糊不清的事物，模糊的）
示例代码如下：
import cv2
import numpy as np
dog = cv2.im服务器托管网read("dog.png")
NEW_DOG = cv2.resize(dog, (640, 480))
# 不需要手动创建卷积核， 只需要告诉方盒滤波，卷积核的大小是多少
# 创建方盒滤波
# new_dog = cv2.boxFilter(NEW_DOG, -1, (5, 5), normalize=True)
# 创建均值滤波
new_dog = cv2.blur(NEW_DOG, (5, 5))
cv2.imshow("Dog", np.hstack((NEW_DOG, new_dog)))
cv2.waitKey(0)
cv2.destroyAllWindows()输出结果如下：
可以得到：
1）均值滤波会将图片变得模糊。
2）均值滤波和方和滤波在normalize = True的效果一样。
服务器托服务器托管网管，北京服务器托管，服务器租用 http://www.fwqtg.net
日常运维工作中有许多的任务要执行，例如项目发布/数据备份/定时巡检/证书更新/漏洞修复等等，大部分的任务都会有多个步骤共同完成，例如一个发布任务会有拉代码、编译、分发、通知等等步骤，而不同的任务可能还包含相同或相似的步骤，例如对于相同语言相同架构的不同项目来说…
