经典降噪算法（上）：均值滤波、高斯滤波、中值滤波的原理与OpenCV实现

各位同学，今天我们正式进入降噪算法的核心地带。说实话，很多初学者一上来就调OpenCV的blur或GaussianBlur，参数随便填，效果不好就换下一个。这种做法，我见过太多项目翻车了。

这一章，咱们把三个最经典的滤波算法——均值、高斯、中值——彻底讲透。我会结合自己踩过的坑，告诉你什么时候该用哪个，怎么调参数才靠谱。

1. 均值滤波：最朴素的降噪方式

均值滤波的原理，说白了就是「拉兄弟一把」。把目标像素周围一圈像素的值加起来，除以总数，结果就是新像素值。

举个例子，一个3×3的窗口，中心像素原本是100，周围全是噪声点。平均之后，中心值会被拉向周围，噪声就被「抹平」了。

OpenCV实现非常简单：

import cv2
import numpy as np

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

# 均值滤波，核大小5×5
blurred = cv2.blur(img, (5, 5))

# 或者用方框滤波（归一化模式）
box_filtered = cv2.boxFilter(img, -1, (5, 5), normalize=True)

2. 高斯滤波：更聪明的加权平均

高斯滤波和均值滤波最大的区别在于——它不搞「平均主义」。离中心越近的像素，权重越大；越远的，权重越小。这个权重分布，就是高斯函数。

你想想看，一张照片里，中心像素和它紧挨着的邻居，相关性肯定比角落里的像素高。高斯滤波正好抓住了这个特点。

OpenCV实现：

# 高斯滤波，核大小5×5，sigma=1.5
gaussian = cv2.GaussianBlur(img, (5, 5), 1.5)

# 只指定sigma，核大小自动计算
gaussian_auto = cv2.GaussianBlur(img, (0, 0), 1.5)

关于sigma的选择，我个人的习惯是：

• σ = 0.8 ~ 1.2：轻度降噪，保留细节
• σ = 1.5 ~ 2.5：中度降噪，适合一般场景
• σ > 3.0：重度降噪，图像会明显变模糊

3. 中值滤波：椒盐噪声的克星

中值滤波的思路完全不同。它不计算平均值，而是把邻域内所有像素排序，取中间那个值。

为什么要这么做？你想想看，椒盐噪声是随机出现的白点或黑点，值要么极大（255），要么极小（0）。如果取平均，这个极端值会把结果拉偏。但取中值呢？排序之后，极端值要么在头要么在尾，中间那个值大概率是正常的像素。

OpenCV实现：

# 中值滤波，核大小5
median = cv2.medianBlur(img, 5)

# 注意：中值滤波的核大小只有一个参数（必须是奇数）
# 3×3 适合轻度椒盐噪声
# 5×5 适合中度噪声
# 7×7 以上适合重度噪声，但细节损失大

4. 三种滤波算法的对比总结

算法	噪声类型	边缘保留	计算速度	典型应用
均值滤波	高斯噪声（一般）	差	最快	快速预览、简单预处理
高斯滤波	高斯噪声（优秀）	中等	快	通用降噪、去马赛克预处理
中值滤波	椒盐噪声（极佳）	好	较慢	椒盐噪声去除、边缘保护

5. 实战建议：如何选择？

说了这么多，到底怎么选？我总结了一个简单的决策流程：

1. 先看噪声类型：如果是黑白点乱跳 → 中值滤波；如果是整体颗粒感 → 高斯滤波。
2. 再看性能要求：实时系统（30fps以上）→ 优先均值或高斯，核不超过5×5。
3. 最后看边缘重要性：需要保留边缘 → 中值滤波或小sigma高斯；边缘无所谓 → 均值滤波省事。