中值滤波：cv2.medianBlur 原理与椒盐噪声实战
中值滤波，说白了就是用像素点周围一圈的「中间值」来替换掉当前像素。它不是算平均，而是排序取中位数。这个简单的操作，对付椒盐噪声特别管用。
我刚开始接触图像处理时，觉得均值滤波挺靠谱的。直到有一次处理工业相机拍出来的零件图，画面上全是黑白噪点，均值滤波一上去，噪点变淡了，但边缘也糊了。后来换成中值滤波，效果立竿见影。嗯，从那以后，我对中值滤波就多了一份信任。
核心原理：为什么中值能去噪？
椒盐噪声是什么？就是图像上随机出现的纯白或纯黑像素点。这些点的像素值要么是 0（黑），要么是 255（白），跟周围格格不入。
中值滤波的处理流程很简单：
- 选定一个核大小（比如 3×3）
- 把核覆盖区域的所有像素值取出来
- 对这些值排序
- 取排序后的中间值作为新像素值
你想想看，如果 3×3 区域里有 9 个像素，其中 2 个是白色噪点（255），其余 7 个是正常值（比如 100~150 之间）。排序后，中间值大概率落在正常值范围内。那两个极端值根本影响不到中位数。
关键区别：均值滤波会把噪点的值「平均」到周围像素上，导致噪点扩散、边缘模糊。中值滤波直接丢弃极端值，边缘保留得更好。
cv2.medianBlur 函数详解
OpenCV 里用起来特别简单，就一个函数：
import cv2
# 读取图像
img = cv2.imread('noisy_image.jpg')
# 中值滤波，核大小为 5
result = cv2.medianBlur(img, 5)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Median Filtered', result)
cv2.waitKey(0)
cv2.destroyAllWindows()注意第二个参数 ksize，它必须是奇数。为什么？因为偶数个数的中位数需要取中间两个值的平均，而中值滤波的设计初衷就是取一个真实存在的像素值，所以只用奇数核。
个人习惯：我一般从 ksize=3 开始试，效果不够再往上加。别一上来就用 7 或 9，细节会丢得很快。
核大小选择的经验法则
核大小怎么选？这里没有银弹，但有几条经验可以帮你快速定位。
| 核大小 | 适用场景 | 注意事项 |
|---|---|---|
| 3×3 | 轻度椒盐噪声，细节保留要求高 | 对孤立噪点有效，密集噪点效果不足 |
| 5×5 | 中等密度椒盐噪声，日常首选 | 平衡去噪与细节，我大部分项目用这个 |
| 7×7 | 噪声密集，对细节要求不高 | 边缘明显变模糊，慎用 |
| 9×9 及以上 | 极端噪声，或作为预处理步骤 | 图像会严重平滑，通常配合后续锐化使用 |
为什么会这样？核越大，参与排序的像素越多，中位数越趋向于局部背景值。噪点确实去得干净，但细小的纹理、边缘也会被抹平。
我曾经踩过的坑：有一次处理医学显微镜图像，噪声密度大概 30%，我直接用了 9×9 的中值滤波。结果噪声是没了，但细胞边缘全糊了，后续分割算法直接崩溃。后来改成 5×5 加一次轻度高斯滤波，效果反而更好。记住：不是核越大越好，够用就行。
中值滤波 vs 均值滤波：直观对比
我习惯用一张对比表来跟团队新人解释：
| 对比维度 | 中值滤波 | 均值滤波 |
|---|---|---|
| 对椒盐噪声 | 效果极好 | 效果一般，噪点会扩散 |
| 对高斯噪声 | 效果一般 | 效果较好 |
| 边缘保留 | 较好 | 较差，边缘模糊明显 |
| 计算速度 | 较慢（需要排序） | 快（只需求和平均） |
| 适用场景 | 椒盐噪声、脉冲噪声 | 高斯噪声、平滑预处理 |
说白了，选哪个滤波器，取决于你的噪声类型。如果图像上是一颗颗黑白点，中值滤波是首选。如果是整体颗粒感、模糊感，均值滤波或高斯滤波更合适。
中值滤波的知识体系
下面这张图帮你理清中值滤波的核心逻辑：
实战建议：调参流程
我建议你按这个步骤来调：
- 先判断噪声类型：如果是黑白点状，走中值滤波；如果是整体颗粒感，走高斯滤波。
- 从 3×3 开始试：观察去噪效果和细节保留情况。
- 逐步增大核大小：每次增加 2（3→5→7），直到噪声可接受。
- 检查边缘：如果边缘模糊严重，回退到上一个核大小。
- 考虑组合使用：中值滤波去椒盐噪声 + 轻度锐化恢复细节，这是我常用的组合拳。
一个小技巧：如果你不确定核大小，可以写个循环，把 3、5、7、9 的结果都显示出来，肉眼对比。我经常这么干，比凭经验猜快得多。
中值滤波虽然简单，但用好了能解决很多实际问题。尤其是工业检测、文档扫描这些场景，椒盐噪声几乎是标配。掌握好核大小的选择，你就能在去噪和保细节之间找到那个平衡点。