📚 课程目录第4章图像滤波与去噪

4. 图像滤波与去噪：均值滤波、高斯滤波、中值滤波、双边滤波的原理与OpenCV实现

图像滤波，说白了就是给图像做「磨皮」或者「去杂质」。在工业现场，相机拍回来的图很少是干干净净的——传感器噪声、光照不均、传输干扰，都会让图像带上各种噪点。如果不处理，后续的检测、测量、识别全都会受影响。

我个人习惯把滤波分成两类：线性滤波和非线性滤波。均值、高斯属于前者，中值、双边属于后者。下面一个一个讲清楚。

  核心观点：没有万能的滤波器。选哪种，取决于你的噪声类型和任务目标。

4.1 均值滤波

均值滤波的原理最简单：用一个窗口扫过图像，窗口内所有像素取平均值，作为中心像素的新值。

举个例子，一个 3×3 的窗口，9 个像素值加起来除以 9，就是新值。窗口越大，平滑效果越强，但图像也越模糊。

我的经验：均值滤波在工业上用得越来越少。因为它「一视同仁」，把边缘和噪声一起模糊了。除非你只是做粗略的降采样预处理，否则我建议你优先考虑高斯滤波。

import cv2
import numpy as np

img = cv2.imread('industrial_part.jpg', cv2.IMREAD_GRAYSCALE)

# 均值滤波：ksize 必须是奇数
blur_3 = cv2.blur(img, (3, 3))
blur_5 = cv2.blur(img, (5, 5))
blur_9 = cv2.blur(img, (9, 9))

你看，代码就一行。但参数 ksize 很关键。3×3 基本不损失细节，但去噪能力有限；9×9 去噪强，但边缘也糊得差不多了。我一般从 5×5 开始试。

4.2 高斯滤波

高斯滤波和均值滤波的区别在于「权重」。均值滤波是平均主义，高斯滤波是「中心说了算」——离中心越近的像素权重越大，权重由高斯函数决定。

为什么这样更好？因为自然图像中，中心像素和周围像素的相关性本来就更高。高斯滤波更符合直觉，效果也更自然。

  关键参数：ksize（核大小）和 sigmaX（标准差）。sigma 越大，权重分布越平缓，平滑效果越强。

# 高斯滤波
gauss_3 = cv2.GaussianBlur(img, (3, 3), sigmaX=0)
gauss_5 = cv2.GaussianBlur(img, (5, 5), sigmaX=1.0)
gauss_9 = cv2.GaussianBlur(img, (9, 9), sigmaX=2.0)

这里有个小细节：sigmaX=0 时，OpenCV 会根据核大小自动计算 sigma。我个人习惯手动指定 sigma，因为控制感更强。

避坑：我曾经在一个 PCB 检测项目里，直接用默认参数做高斯滤波，结果把细小的焊盘边缘给磨没了。后来把 sigma 从 1.5 降到 0.8，问题解决。记住：去噪和保边永远是 trade-off。

4.3 中值滤波

中值滤波是非线性滤波的代表。它不取平均，而是取窗口内所有像素的中位数作为新值。

为什么中值滤波对椒盐噪声特别有效？你想想看，椒盐噪声是极亮或极暗的像素点，取中位数时这些极端值根本排不上号，直接被忽略掉了。

# 中值滤波
median_3 = cv2.medianBlur(img, 3)
median_5 = cv2.medianBlur(img, 5)

注意：中值滤波的核大小只用一个数字，因为窗口是正方形的。而且它必须用奇数，3、5、7……道理很简单，奇数个数字才有唯一的中位数。

我的习惯：在工业视觉中，如果图像有明显的椒盐噪声（比如传感器坏点、传输丢包），我第一反应就是中值滤波。它不会模糊边缘，这是它比均值和高斯强的地方。

4.4 双边滤波

双边滤波是「既要又要」的典型代表——既要平滑噪声，又要保留边缘。它怎么做到的？

双边滤波在计算权重时考虑两个因素：

空间距离：离中心越近，权重越大（和高斯一样）
像素值差异：和中心像素值越接近，权重越大

这样一来，在平坦区域，双边滤波像高斯一样平滑；但在边缘处，像素值差异大，边缘另一侧的像素权重被压低，边缘就保住了。

# 双边滤波
# d: 邻域直径，sigmaColor: 颜色标准差，sigmaSpace: 空间标准差
bilateral = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

  参数解读：
  d：窗口直径。越大，考虑的范围越广，计算越慢。
sigmaColor：颜色差异的容忍度。越大，越多的颜色差异被平滑掉。
sigmaSpace：空间距离的权重。越大，远处的像素影响越大。

双边滤波的缺点也很明显——慢。在工业实时场景下，如果图像分辨率高，双边滤波可能成为瓶颈。我曾经在一个 500 万像素的检测项目里试过双边滤波，一帧处理了 200 多毫秒，根本跑不到 30fps。后来换成了引导滤波才解决。

4.5 四种滤波对比总结

滤波器	类型	去噪效果	边缘保留	计算速度	适用噪声
均值滤波	线性	一般	差	快	高斯噪声
高斯滤波	线性	较好	一般	快	高斯噪声
中值滤波	非线性	好（椒盐）	好	中等	椒盐噪声
双边滤波	非线性	好	极好	慢	高斯噪声 + 保边

4.6 实战建议：如何选择滤波器

在工业视觉项目中，我一般按这个流程来选：

先看噪声类型：如果是椒盐噪声（黑白点），直接上中值滤波。如果是高斯噪声（整体颗粒感），用高斯滤波。
再看任务需求：如果后续要做边缘检测或测量，必须保边，那就用双边滤波或中值滤波。如果只是做图像增强前的预处理，高斯滤波就够了。
最后考虑速度：实时检测场景（比如 30fps 以上），双边滤波基本不用想。中值滤波在核大小不超过 5 时还能接受。

我曾经踩过的坑：在一个锂电池极片缺陷检测项目中，我一开始用了双边滤波保边，结果因为参数没调好，把微小的划痕也给平滑掉了。后来改用中值滤波 + 小核高斯组合，才把缺陷保留下来。所以，不要迷信某个滤波器，组合使用往往效果更好。

嗯，滤波这部分就讲到这里。记住一句话：没有最好的滤波器，只有最合适的滤波器。多试几个参数，多看看效果图，你自然就有感觉了。