均值滤波：原理与实现（cv2.blur）

均值滤波，说白了就是「把像素和它邻居的平均值，替换掉它自己」。这是图像去噪里最基础、也最直观的一种操作。我刚开始接触图像处理时，第一个学的就是它——简单，但非常有用。

均值滤波的核心原理

想象一张图像里有一个噪点，它比周围亮很多。如果我们把这个像素和它周围的8个邻居加起来，再除以9，这个噪点就会被「拉回」到正常范围。这就是均值滤波的直觉。

数学上，它用一个卷积核来实现。核的大小决定了「邻居」的范围。比如一个3×3的核：

1/9  1/9  1/9
1/9  1/9  1/9
1/9  1/9  1/9

这个核在图像上滑动，每个位置都做一次加权平均。所有位置的权重都一样，所以叫「均值」。

用 cv2.blur 实现均值滤波

OpenCV 里实现均值滤波非常简单，就一个函数：cv2.blur()。我项目中经常用它做快速去噪，尤其是在预处理阶段。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('noisy_image.jpg')

# 3x3 均值滤波
blurred_3x3 = cv2.blur(img, (3, 3))

# 5x5 均值滤波
blurred_5x5 = cv2.blur(img, (5, 5))

# 7x7 均值滤波
blurred_7x7 = cv2.blur(img, (7, 7))

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('3x3 Blur', blurred_3x3)
cv2.imshow('5x5 Blur', blurred_5x5)
cv2.imshow('7x7 Blur', blurred_7x7)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数很简单：第一个是输入图像，第二个是核大小（宽, 高）。注意核大小必须是正奇数，比如 (3,3)、(5,5)、(7,7)。

核大小对模糊程度的影响

核大小是均值滤波最重要的参数。我做过一个对比实验，用不同核大小处理同一张图，效果差异非常明显。

核大小	模糊程度	细节保留	去噪能力	计算时间
3×3	轻微	较好	弱	快
5×5	中等	一般	中等	较快
7×7	较强	较差	较强	中等
15×15	极强	几乎丢失	很强	慢

为什么会这样？因为核越大，每个像素的「邻居」范围越广，平均后的值越趋向于局部均值。细节（比如边缘、纹理）被「抹平」了。

我记得有一次做文档图像预处理，原图有扫描噪点。我用3×3的核去噪，效果不错，文字边缘还清晰。换成7×7后，小字直接糊成一团。嗯，这里要注意：核大小不是越大越好。

均值滤波的优缺点

任何算法都有两面性。均值滤波的优点和缺点都很突出。

优点

• 简单快速：实现简单，计算量小，适合实时处理。
• 去噪有效：对高斯噪声、均匀噪声效果不错。
• 平滑均匀：能有效降低图像中的局部波动。

缺点

• 边缘模糊：这是最大的问题。均值滤波不分「边缘」和「平坦区域」，一律平均。边缘信息会严重丢失。
• 对椒盐噪声效果差：椒盐噪声是极端的黑白点，均值滤波会把它们扩散到周围，反而让噪点区域变大。
• 不能保留纹理：细小的纹理结构会被当作噪声一起抹掉。

适用场景

均值滤波适合哪些场景？我总结了几类：

• 预处理降采样：在缩小图像前，先用均值滤波平滑一下，可以减轻锯齿效应。
• 去除高斯噪声：如果图像噪声是高斯型的（比如传感器热噪声），均值滤波效果不错。
• 背景估计：用大核均值滤波可以得到图像的背景近似，用于后续的前景提取。
• 快速预览：在需要快速看效果、不要求精度的场景下，均值滤波是首选。

不适合的场景也很明确：需要保留边缘、纹理、细节的任务，比如医学图像分析、文字识别、工业缺陷检测。这些场景下，我会优先考虑高斯滤波、中值滤波或双边滤波。

均值滤波知识结构图

下面这张图总结了均值滤波的核心知识点，方便你快速回顾。

总结

均值滤波是图像去噪的入门算法，简单、高效、容易理解。但它也有明显的短板——边缘模糊。你想想看，如果一张图里既有噪声又有边缘，均值滤波会把它们一起「平均」掉。所以，选不选它，取决于你的任务目标。

我个人习惯是：先明确要保留什么，再选滤波方法。如果只是快速去噪、不关心细节，均值滤波完全够用。如果需要保边，那就换别的。