降噪算法（一）：均值滤波与高斯滤波

图像降噪，说白了就是去掉画面里那些不该出现的「噪点」。你想想看，传感器感光不均匀、光线不足、传输干扰……这些都会让图像变得脏兮兮的。我刚开始做图像处理那会儿，总觉得降噪就是「模糊一下」，后来才发现——降噪的本质，是在平滑和细节之间找平衡。

这一章我们先聊两个最基础的线性滤波算法：均值滤波和高斯滤波。它们虽然简单，但却是理解更复杂降噪算法的基石。

均值滤波：最简单的降噪方式

均值滤波的思路非常直白——用一个窗口扫过图像，把窗口内所有像素的灰度值取平均，作为中心像素的新值。

举个例子，一个 3×3 的窗口：

原始像素值：
[10, 12, 11]
[ 9, 50, 10]   ← 中心点 50 是噪点
[11, 13, 12]

均值滤波后中心值 = (10+12+11+9+50+10+11+13+12) / 9 = 138 / 9 ≈ 15.33

你看，原本 50 的噪点被拉低到了 15 左右，和周围像素更接近了。这就是均值滤波的降噪原理。

但问题也来了——它把所有像素一视同仁。窗口内的每个像素权重都是 1/9，不管它离中心多远，也不管它是不是边缘。我在项目中遇到过这种情况：用均值滤波去噪，结果人物的轮廓变得模糊，像没对上焦一样。

高斯滤波：给像素「论资排辈」

高斯滤波和均值滤波的区别，就在于权重分配。它不再搞平均主义，而是根据像素到中心点的距离，分配不同的权重——离中心越近，权重越大；离中心越远，权重越小。

这个权重分布，就是高斯函数：

G(x, y) = (1 / (2πσ²)) * exp(-(x² + y²) / (2σ²))

其中 σ（sigma）控制着权重的衰减速度。σ 越大，权重分布越平坦，滤波效果越接近均值滤波；σ 越小，中心像素的权重越大，保留细节的能力越强。

我习惯把 σ 理解为「视野范围」——σ 小，只看眼前；σ 大，兼顾全局。

3×3 高斯核的计算示例

假设 σ = 1.0，我们计算一个 3×3 高斯核：

位置 (x, y)	距离平方 x²+y²	未归一化权重	归一化权重
(-1, -1)	2	0.1353	0.075
(-1, 0)	1	0.3679	0.204
(-1, 1)	2	0.1353	0.075
(0, -1)	1	0.3679	0.204
(0, 0)	0	1.0000	0.554
(0, 1)	1	0.3679	0.204
(1, -1)	2	0.1353	0.075
(1, 0)	1	0.3679	0.204
(1, 1)	2	0.1353	0.075

归一化后的高斯核：

[[0.075, 0.204, 0.075],
 [0.204, 0.554, 0.204],
 [0.075, 0.204, 0.075]]

你看，中心像素的权重 0.554 远高于角落的 0.075。这意味着高斯滤波在平滑噪声的同时，能更好地保留中心像素的原始值——也就是保留了更多细节。

两种滤波的对比

对比维度	均值滤波	高斯滤波
权重分配	均匀分布	中心权重高，边缘权重低
边缘保留	差	较好
降噪效果	一般	较好
计算复杂度	低	略高（需计算权重）
适用场景	噪声均匀、细节要求低	通用降噪、细节保留要求高

代码实现：从零手写高斯滤波

理论说完了，我们来写代码。我个人习惯用 Python + NumPy 实现，这样能清楚看到每一步在做什么。

import numpy as np
import cv2

def gaussian_kernel(size, sigma):
    """生成高斯核"""
    kernel = np.zeros((size, size))
    center = size // 2
    
    for i in range(size):
        for j in range(size):
            x = i - center
            y = j - center
            kernel[i, j] = np.exp(-(x**2 + y**2) / (2 * sigma**2))
    
    # 归一化
    kernel = kernel / np.sum(kernel)
    return kernel

def gaussian_filter(image, kernel_size=5, sigma=1.5):
    """高斯滤波"""
    kernel = gaussian_kernel(kernel_size, sigma)
    pad = kernel_size // 2
    
    # 边界填充（镜像模式）
    padded = np.pad(image, pad, mode='reflect')
    
    # 卷积操作
    output = np.zeros_like(image)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            region = padded[i:i+kernel_size, j:j+kernel_size]
            output[i, j] = np.sum(region * kernel)
    
    return output

# 使用示例
img = cv2.imread('noisy_image.jpg', 0)  # 灰度图
result = gaussian_filter(img, kernel_size=5, sigma=1.5)

核心知识体系

下面这张图帮你理清本章的知识脉络：

避坑指南

• 核大小必须是奇数：3×3、5×5、7×7……这样才能保证中心像素存在。偶数核会导致输出图像偏移半个像素。
• σ 和核大小要匹配：核太小而 σ 太大，高斯核的权重在边缘处几乎为 0，相当于浪费了计算资源。一般建议核大小 ≥ 6σ+1。
• 彩色图像要逐通道处理：对 RGB 三个通道分别做高斯滤波，不要直接对三通道取平均，否则颜色会乱掉。