1. 基于OpenCV的简单均值滤波去噪

任务说明

本案例实现一个基于OpenCV的均值滤波去噪函数，输入一张含高斯噪声的手机照片，输出滤波后的去噪图像，并计算去噪前后的峰值信噪比（PSNR），用于量化评估去噪效果。

实现方案

均值滤波是线性空间滤波的典型方法，其核心思想是用邻域内所有像素的灰度平均值替代中心像素值，从而平滑噪声。本案例使用OpenCV的cv2.blur()函数实现均值滤波，并自定义PSNR计算函数，比较含噪图像与去噪图像的质量差异。PSNR值越高，表示去噪后图像与原始无噪图像越接近，去噪效果越好。

代码实现

import cv2
import numpy as np

def add_gaussian_noise(image, mean=0, sigma=25):
    """向图像添加高斯噪声"""
    noise = np.random.normal(mean, sigma, image.shape).astype(np.uint8)
    noisy = cv2.add(image, noise)
    return noisy

def mean_filter_denoise(image, kernel_size=5):
    """均值滤波去噪"""
    return cv2.blur(image, (kernel_size, kernel_size))

def calculate_psnr(original, denoised):
    """计算峰值信噪比PSNR（单位：dB）"""
    mse = np.mean((original.astype(np.float64) - denoised.astype(np.float64)) ** 2)
    if mse == 0:
        return float('inf')
    max_pixel = 255.0
    psnr = 10 * np.log10((max_pixel ** 2) / mse)
    return psnr

# 主流程
if __name__ == "__main__":
    # 读取图像（请将photo.jpg替换为实际手机照片路径）
    original = cv2.imread("photo.jpg")
    if original is None:
        raise FileNotFoundError("未找到图像文件，请检查路径")
    
    # 转换为灰度图（简化处理，彩色图可对每个通道分别处理）
    gray = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)
    
    # 添加高斯噪声模拟手机拍摄噪声
    noisy = add_gaussian_noise(gray, sigma=25)
    
    # 均值滤波去噪
    denoised = mean_filter_denoise(noisy, kernel_size=5)
    
    # 计算PSNR
    psnr_noisy = calculate_psnr(gray, noisy)
    psnr_denoised = calculate_psnr(gray, denoised)
    
    # 保存结果
    cv2.imwrite("noisy.jpg", noisy)
    cv2.imwrite("denoised.jpg", denoised)
    
    # 打印结果
    print(f"含噪图像 PSNR: {psnr_noisy:.2f} dB")
    print(f"去噪图像 PSNR: {psnr_denoised:.2f} dB")
    print(f"PSNR 提升: {psnr_denoised - psnr_noisy:.2f} dB")

运行与验证

依赖安装：确保已安装OpenCV和NumPy，执行pip install opencv-python numpy。

运行方式：将代码保存为mean_filter_denoise.py，将待处理的手机照片命名为photo.jpg放在同一目录下，执行python mean_filter_denoise.py。

验证方法：程序运行后，观察终端输出的PSNR值。若去噪图像的PSNR高于含噪图像，说明均值滤波有效抑制了噪声。同时可打开生成的denoised.jpg与noisy.jpg进行视觉对比，去噪图像应明显更平滑、噪声颗粒减少。

判定标准：当去噪后PSNR比含噪时提升3dB以上，且图像边缘细节保留可接受时，判定均值滤波去噪有效。不同噪声强度下，可调整kernel_size参数（如3、5、7）观察去噪效果与细节保留的平衡。