详细介绍一下平滑滤波，并给出每种滤波的示例代码，分析图像经过滤波之后的变化

平滑滤波是一种常见的数字图像处理技术，它的目的是通过减少图像噪声、模糊边缘或者填充细节缺失来改善图像的质量。主要有以下几种类型的滤波：

1. **均值滤波**：通过对每个像素及其周围的邻域像素取平均值来替换该像素，常用于去除椒盐噪声。例如，在Python的PIL库中：

from PIL import ImageFilter
img = Image.open('input.jpg').filter(ImageFilter.MedianFilter(size=3))

这里`size=3`表示采用3x3像素邻域。

2. **高斯滤波**：利用高斯函数作为权重分布对像素进行加权平均，它保留更多的边缘信息。在OpenCV中，代码如下：

import cv2
img = cv2.imread('input.jpg')
blurred = cv2.GaussianBlur(img, (5, 5), 0)

`(5, 5)`是卷积核大小，`0`代表标准差，即模糊程度。

3. **双边滤波**：同时考虑空间距离和强度差异，既能平滑噪声又能保持边缘清晰。OpenCV也有现成的函数：

blurred = cv2.bilateralFilter(img, 9, 75, 75)

第一个参数是迭代次数，后两个分别是空间半径和颜色半径。

滤波后图像变化：
- **均值滤波**会使得图像变得模糊，小块区域内的噪声会被消除。
- **高斯滤波**更注重细节，边缘相对清晰，但远处的细节可能会丢失。
- **双边滤波**既平滑了噪声又保留了边缘，对于边缘保护较好，适用于保真度要求较高的场景。