📚 课程目录第4章经典去噪算法（上）

4、经典去噪算法（上）：均值滤波、高斯滤波、中值滤波的原理与OpenCV实现

图像去噪，说白了就是给图像“磨皮”。但怎么磨，磨完会不会把细节也磨没了，这里头门道不少。今天咱们聊三个最经典的滤波算法——均值滤波、高斯滤波、中值滤波。它们算是去噪领域的“老三样”，我入行那会儿第一个接触的就是它们。

你可能会问，都2025年了，深度学习满天飞，还学这些传统算法干嘛？嗯，我跟你讲，在实际落地项目里，尤其是资源受限的嵌入式设备上，这些算法依然是“救火队员”。速度快、原理简单、效果稳定，很多时候比跑个模型划算得多。

  核心观点： 滤波的本质是“用邻域像素的某种统计值替换中心像素”。均值、高斯、中值，区别就在于“统计方式”不同。

4.1 均值滤波：最朴素的“平均主义”

均值滤波的思路特别直白——把窗口内所有像素值加起来，除以像素个数，得到平均值，然后把这个平均值赋给窗口中心的像素。

举个例子，一个3×3的窗口，中心像素原本是100，周围一圈像素分别是110、120、90、80……算完平均后，中心像素可能变成了95。这样一来，那些突兀的噪声点（比如一个孤立的255）就会被周围的像素“拉”回来。

我在项目中遇到过一个问题：用均值滤波去噪，图像确实平滑了，但边缘也糊了。为什么会这样？因为均值滤波把边缘两侧的像素也一起平均了，边缘就变成了渐变带。

OpenCV实现

import cv2
import numpy as np

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

# 均值滤波：ksize为卷积核大小，必须是奇数
blurred = cv2.blur(img, (3, 3))  # 3x3核
blurred_5 = cv2.blur(img, (5, 5))  # 5x5核

cv2.imshow('Original', img)
cv2.imshow('Blur 3x3', blurred)
cv2.imshow('Blur 5x5', blurred_5)
cv2.waitKey(0)

我的习惯： 核大小一般从3×3开始试，效果不够再往上加。核越大，平滑越强，但细节丢失也越严重。5×5以上我基本不用，除非图像噪声特别大。

4.2 高斯滤波：带权重的“平均主义”

均值滤波有个问题——它把窗口内所有像素一视同仁。但你想，离中心越近的像素，理论上和中心像素越像，应该权重更大才对。高斯滤波就是干这个的。

它用一个高斯核（符合高斯分布的权重矩阵）去和图像做卷积。中心像素权重最大，越往边缘权重越小。这样平滑效果更自然，边缘保留也比均值滤波好一些。

我记得有一次做工业检测项目，产品表面有轻微纹理噪声。用均值滤波会把纹理和噪声一起抹掉，但换成高斯滤波，纹理保留得明显更好。这就是带权重的优势。

OpenCV实现

# 高斯滤波：ksize为核大小，sigmaX为X方向标准差
gaussian = cv2.GaussianBlur(img, (3, 3), 0)  # sigma=0表示自动计算
gaussian_5 = cv2.GaussianBlur(img, (5, 5), 1.5)  # 手动指定sigma

cv2.imshow('Gaussian 3x3', gaussian)
cv2.imshow('Gaussian 5x5 sigma1.5', gaussian_5)
cv2.waitKey(0)

参数	说明	我的建议
ksize	卷积核大小，必须为奇数	3×3或5×5最常用
sigmaX	X方向标准差，控制权重分布	设为0让OpenCV自动算，省心
sigmaY	Y方向标准差，默认与sigmaX相同	一般不用单独设

避坑指南： 我曾经在实时视频流处理中把sigma设得太大（比如5.0），结果图像变得跟毛玻璃一样，帧率还掉了一半。sigma越大，平滑越强，但计算量也越大。实时场景下建议sigma不超过2.0。

4.3 中值滤波：专治“椒盐噪声”的利器

前面两种滤波都是线性滤波，说白了就是做加权平均。但有些噪声，比如椒盐噪声（黑白点），用平均的方法效果很差——一个白点会把周围像素都“染”白。

中值滤波的思路完全不同：它把窗口内所有像素排序，取中间那个值作为输出。这样一来，一个孤立的噪声点（极大或极小值）根本不会影响中值，因为它排不到中间去。

我做过一个文档扫描项目，扫描件上全是椒盐噪声。用高斯滤波去噪，文档文字边缘还是模糊。换成中值滤波，噪声去得干干净净，文字边缘一点没糊。从那以后，遇到椒盐噪声我第一个想到的就是中值滤波。

OpenCV实现

# 中值滤波：ksize必须为奇数，且大于1
median_3 = cv2.medianBlur(img, 3)  # 3x3邻域
median_5 = cv2.medianBlur(img, 5)  # 5x5邻域

cv2.imshow('Median 3x3', median_3)
cv2.imshow('Median 5x5', median_5)
cv2.waitKey(0)

性能提示： 中值滤波的排序操作比均值滤波的加法慢不少。在ARM嵌入式平台上，3×3中值滤波还能跑实时，5×5就开始吃力了。如果必须用大核，可以考虑用“快速中值滤波”算法优化。

4.4 三种滤波对比：一张图看懂

下面这张SVG图，我画了三种滤波的核心流程对比。你看一眼就能明白它们的区别。

4.5 实际项目中的选择策略

你可能会问，那到底该用哪个？我一般按这个顺序判断：

先看噪声类型——如果是黑白点（椒盐噪声），直接上中值滤波，别犹豫。
再看实时性要求——如果帧率要求高（比如30fps以上），优先均值滤波，计算量最小。
最后看边缘保留需求——如果边缘很重要（比如医学图像、文档扫描），用高斯滤波或中值滤波。

  我的经验： 很多时候，我会把三种滤波组合使用。比如先用中值滤波去椒盐噪声，再用高斯滤波做一次平滑。但要注意，滤波次数越多，细节丢失越严重。一般组合不超过两次。

4.6 一个完整的去噪流程示例

下面是我在实际项目中用过的一个去噪pipeline，你可以参考：

def denoise_pipeline(img):
    # 第一步：中值滤波去椒盐噪声
    img_median = cv2.medianBlur(img, 3)
    
    # 第二步：高斯滤波平滑纹理噪声
    img_gaussian = cv2.GaussianBlur(img_median, (3, 3), 0)
    
    # 第三步：可选——双边滤波保留边缘（后续章节会讲）
    # img_bilateral = cv2.bilateralFilter(img_gaussian, 9, 75, 75)
    
    return img_gaussian

# 测试
noisy = cv2.imread('noisy_image.jpg')
clean = denoise_pipeline(noisy)
cv2.imshow('Denoised', clean)
cv2.waitKey(0)

注意： 这个pipeline不是万能的。如果图像噪声特别复杂，或者你处理的是超分辨率任务中的低分辨率图像，传统滤波可能会把高频细节（纹理、边缘）一起抹掉。这时候就需要用到更高级的去噪算法，比如非局部均值去噪（NLM）或者基于深度学习的去噪网络。这些内容我们后面章节会展开。

好了，三种经典滤波算法就聊到这儿。均值滤波简单粗暴，高斯滤波更“聪明”，中值滤波专治椒盐噪声。你可以在自己的项目里试试，看看哪种效果最好。记住，没有最好的算法，只有最合适的算法。