📚 课程目录第3章高斯滤波

高斯滤波：从原理到实战

高斯滤波，说白了就是给图像做一次「加权平均」的模糊处理。它不像均值滤波那样一刀切，而是根据像素距离中心的远近，分配不同的权重。离中心越近，权重越大；越远，权重越小。这个权重分布，正好符合高斯函数（也就是正态分布）的形状。

我刚开始接触图像处理时，总觉得高斯滤波和均值滤波差不多，都是模糊嘛。直到有一次做工业检测项目，发现均值滤波把边缘细节也抹得一塌糊涂，换成高斯滤波后效果明显好很多。嗯，这里面的门道，我们慢慢聊。

高斯核的生成原理

高斯核，本质上是一个二维的权重矩阵。它的值由高斯函数计算得出：

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

其中 (x, y) 是像素相对于核中心的坐标，σ 是标准差。这个公式看着有点复杂，但核心思想很简单：

σ 越大，曲线越扁平，远处的像素也能分到不少权重，模糊效果更强
σ 越小，曲线越尖，只有中心附近的像素起作用，模糊效果弱
核大小 ksize 决定了覆盖范围，一般取 6σ+1 或 8σ+1 来保证权重截断合理

举个例子，一个 3×3 的高斯核，σ=0.8，计算出来的权重矩阵大概长这样：

0.057	0.125	0.057
0.125	0.272	0.125
0.057	0.125	0.057

注意看，中心像素的权重是 0.272，四个角只有 0.057。这就是高斯滤波「中心主导、周边辅助」的特点。

我的习惯： 实际项目中，我很少手动计算高斯核。直接用 OpenCV 的 cv2.GaussianBlur 就行，它会自动帮你归一化，保证所有权重加起来等于 1。

cv2.GaussianBlur 参数详解

这个函数是 OpenCV 里最常用的高斯滤波接口。它的签名如下：

dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY=None, borderType=None)

几个关键参数，我一个个说：

src：输入图像，可以是灰度图或彩色图。彩色图会分别对每个通道做滤波。
ksize：高斯核的大小，必须是正奇数。比如 (3,3)、(5,5)、(7,7)。注意：如果设为 (0,0)，OpenCV 会根据 sigmaX 自动计算核大小。
sigmaX：X 方向的标准差。如果只给 sigmaX，sigmaY 默认等于 sigmaX。如果 sigmaX=0，OpenCV 会根据 ksize 自动计算。
sigmaY：Y 方向的标准差。一般不用单独设，除非你想做各向异性的高斯滤波（比如只模糊水平方向）。
borderType：边界填充方式。默认是 BORDER_DEFAULT，也就是镜像填充。我一般不改它。

  核心经验： 我个人建议，要么只设 ksize，让 sigmaX 自动算；要么只设 sigmaX，让 ksize 自动算。两个都手动设容易搞混。我常用的组合是 ksize=(5,5) 或 sigmaX=1.0，效果比较温和。

来看一个实际代码示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('lena.jpg')

# 方式1：指定核大小，sigma自动计算
blur1 = cv2.GaussianBlur(img, (5, 5), 0)

# 方式2：指定sigma，核大小自动计算
blur2 = cv2.GaussianBlur(img, (0, 0), 1.5)

# 方式3：都指定，精细控制
blur3 = cv2.GaussianBlur(img, (7, 7), 2.0)

cv2.imshow('Original', img)
cv2.imshow('Gaussian Blur 5x5', blur1)
cv2.imshow('Gaussian Blur sigma=1.5', blur2)
cv2.imshow('Gaussian Blur 7x7 sigma=2.0', blur3)
cv2.waitKey(0)

避坑指南： 我曾经在项目里把 ksize 设成了偶数，结果 OpenCV 直接报错。记住，ksize 必须是正奇数，比如 3、5、7、9。另外，ksize 越大，计算越慢，实时应用里尽量别超过 9×9。

高斯滤波 vs 均值滤波：对比实验

均值滤波和高斯滤波，都是低通滤波器，都能去噪。但它们的区别，你想想看，就像「平均主义」和「精英主义」的区别。

均值滤波对核内所有像素一视同仁，权重都是 1/(ksize²)。高斯滤波则给中心像素更高权重，边缘像素权重低。这个差异在实际效果上非常明显：

对比维度	均值滤波	高斯滤波
权重分配	均匀，所有像素权重相同	中心高、边缘低，符合正态分布
边缘保留	差，容易模糊边缘	较好，能保留更多细节
去噪效果	对高斯噪声有效，但对椒盐噪声效果一般	对高斯噪声效果更好，更平滑自然
计算速度	快，可分离实现	稍慢，但也可分离实现
适用场景	简单去噪、快速预览	高质量去噪、边缘保留需求

我做了一个对比实验，用同一张图分别加高斯噪声，然后用两种滤波处理：

import cv2
import numpy as np

# 生成测试图像
img = np.zeros((200, 200), dtype=np.uint8)
img[50:150, 50:150] = 255  # 白色方块

# 添加高斯噪声
noise = np.random.normal(0, 25, img.shape).astype(np.uint8)
noisy_img = cv2.add(img, noise)

# 均值滤波
mean_blur = cv2.blur(noisy_img, (5, 5))

# 高斯滤波
gauss_blur = cv2.GaussianBlur(noisy_img, (5, 5), 0)

# 显示结果
cv2.imshow('Noisy', noisy_img)
cv2.imshow('Mean Blur', mean_blur)
cv2.imshow('Gaussian Blur', gauss_blur)
cv2.waitKey(0)

结果很明显：均值滤波把方块边缘变得模糊不清，而高斯滤波在去噪的同时，边缘轮廓更清晰。为什么会这样？因为高斯滤波给中心像素更高权重，边缘处的像素变化被更好地保留了。

我的建议： 如果只是快速去噪，均值滤波够用。但如果对图像质量有要求，比如做预处理后还要做边缘检测或特征提取，我强烈建议用高斯滤波。多花一点点计算时间，换来更好的边缘保留，值。

知识结构图：高斯滤波核心逻辑

下面这张图，帮你理清高斯滤波的完整流程：

从输入到输出，一共四步：设置参数、生成核、卷积、输出。每一步都有讲究，尤其是参数设置，直接影响最终效果。