3. 中值滤波：原理、对椒盐噪声的抑制效果、窗口大小选择策略

聊完均值滤波，咱们来看看另一种非常实用的非线性滤波器——中值滤波。说实话，在我刚入行那会儿，总觉得中值滤波不就是排个序取中间值嘛，有啥好研究的？直到我在一个工业相机项目里被椒盐噪声折磨得够呛，才发现这玩意儿是真香。

3.1 中值滤波的核心原理

中值滤波的原理，说白了就三步：

1. 开窗：在图像上滑动一个固定大小的窗口（比如3×3）。
2. 排序：把窗口内所有像素的灰度值从小到大排个队。
3. 赋值：用排好队的中间那个值，替换掉窗口中心像素的原始值。

举个例子，一个3×3的窗口里像素值是：

[[ 12,  15,  18],
 [ 10, 255,  14],
 [ 11,  13,  16]]

中间那个255明显是个椒盐噪声点（白噪点）。排序后得到：10, 11, 12, 13, 14, 15, 16, 18, 255。中间值是14。于是中心像素从255被替换成14。你看，噪声就这么被干掉了。

3.2 对椒盐噪声的抑制效果

椒盐噪声是什么？就是图像上随机出现的白点（盐）和黑点（椒）。这些点的像素值要么是极大值（255），要么是极小值（0），跟周围像素格格不入。

为什么中值滤波对付椒盐噪声特别有效？原因很简单：

• 椒盐噪声的像素值在排序后，一定会被挤到序列的两端。
• 中间位置的值，大概率是周围正常像素的某个值。
• 所以无论噪声多极端，只要窗口内正常像素占多数，中值就不会被污染。

我记得有一次做PCB板缺陷检测，图像上全是椒盐噪声，用均值滤波试了好几次，噪声是淡了，但焊盘的边缘也糊了。换成中值滤波后，噪声几乎消失，边缘还保持得挺好。嗯，从那以后，只要看到椒盐噪声，我第一反应就是中值滤波。

3.3 窗口大小选择策略

窗口大小怎么选？这是中值滤波里最让人纠结的问题。我踩过不少坑，总结下来就几条原则：

窗口大小	适用场景	优点	缺点
3×3	轻度椒盐噪声、细节丰富的图像	细节保留好，计算快	对密集噪声效果有限
5×5	中等密度椒盐噪声	去噪效果适中，边缘尚可	细节有一定损失
7×7及以上	重度椒盐噪声	去噪能力强	细节模糊严重，图像变“油画”

你可能会问：那直接用大窗口不就行了？我曾经也这么想，结果在一个指纹识别项目里，用了7×7的中值滤波，噪声是没了，但指纹的脊线和谷线都快分不清了。所以窗口大小不是越大越好，得看你的应用场景。

3.4 自适应窗口策略

有没有一种方法，既能去噪又能保细节？有，那就是自适应窗口。思路是这样的：

• 先判断当前像素是不是噪声点（比如看它跟周围像素的差异是否过大）。
• 如果是噪声，用稍大的窗口做中值滤波。
• 如果不是噪声，用小的窗口甚至不做滤波。

我习惯用这种策略处理医学影像，因为病灶区域的细节太重要了，不能因为去噪把病灶给抹了。

3.5 中值滤波的变种

除了标准的中值滤波，还有几个变种在实际项目中很实用：

• 加权中值滤波：给窗口内的像素赋予不同权重，中心像素权重高一些，边缘低一些。适合在去噪的同时保留更多细节。
• 多级中值滤波：先用小窗口滤波，再用大窗口滤波，最后取两者的结果做融合。我曾在卫星图像处理中用过，效果不错。
• 快速中值滤波：利用直方图来加速排序过程，适合实时系统。说白了就是用空间换时间。

3.6 核心逻辑流程图

下面这张图帮你理清中值滤波的完整流程和窗口选择逻辑：

3.7 代码示例：OpenCV实现

最后，给一段实际可跑的代码。我用OpenCV实现中值滤波，顺便对比不同窗口大小的效果：

import cv2
import numpy as np

# 读取图像并添加椒盐噪声
img = cv2.imread('lena.jpg', 0)
noise_img = img.copy()
num_noise = 5000  # 噪声点数量
coords = [np.random.randint(0, i-1, num_noise) for i in img.shape]
noise_img[coords[0], coords[1]] = 255  # 盐噪声
coords = [np.random.randint(0, i-1, num_noise) for i in img.shape]
noise_img[coords[0], coords[1]] = 0    # 椒噪声

# 不同窗口大小的中值滤波
median_3 = cv2.medianBlur(noise_img, 3)
median_5 = cv2.medianBlur(noise_img, 5)
median_7 = cv2.medianBlur(noise_img, 7)

# 显示结果
cv2.imshow('Noise', noise_img)
cv2.imshow('Median 3x3', median_3)
cv2.imshow('Median 5x5', median_5)
cv2.imshow('Median 7x7', median_7)
cv2.waitKey(0)
cv2.destroyAllWindows()

跑一下这段代码，你会直观地看到：3×3窗口去噪干净，细节保留最好；7×7窗口虽然噪声全没了，但图像也变模糊了。这就是窗口大小选择的权衡。