📚 课程目录第2章传统降噪方法（上）

2. 传统降噪方法（上）：均值滤波与高斯滤波

各位同学，欢迎来到第二章。上一章我们聊了噪声的来龙去脉，今天该动真格的了——咱们亲手把噪声“抹掉”。

传统降噪方法，说白了就是“用周围像素的平均值代替当前像素”。听起来简单吧？但这里面的门道，够你踩好几个坑的。我个人习惯把这类方法叫做“空间域滤波”，因为它们直接在像素坐标上操作，不涉及频域变换。

今天我们先讲两个最基础的：均值滤波和高斯滤波。别看它们老，很多现代深度学习降噪网络的设计思路，追根溯源都能回到这里。

2.1 均值滤波：最朴素的“和稀泥”

均值滤波的原理，一句话就能说清楚：用一个窗口扫过图像，窗口内所有像素求平均，用这个平均值替换中心像素。

你想想看，如果某个像素是噪声点（比如椒盐噪声里的白点），它和周围正常像素一平均，值就被拉回来了。这就是降噪的本质——平滑。

2.1.1 数学定义与核

均值滤波的“核”（Kernel）长这样：

K = (1 / (ksize * ksize)) * [[1, 1, 1],
                              [1, 1, 1],
                              [1, 1, 1]]

对于一个 3×3 的核，每个权重都是 1/9。说白了就是“大家投票，票数相等”。

用公式表达就是：

g(x, y) = (1 / N) * Σ f(i, j)   (i,j ∈ 窗口)

其中 N 是窗口内像素总数。

2.1.2 代码实现

OpenCV 里一行搞定：

import cv2
import numpy as np

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

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

cv2.imshow('Original', img)
cv2.imshow('Blurred', blurred)
cv2.waitKey(0)

如果你想自己手写，也不难：

def my_average_filter(img, ksize=3):
    h, w = img.shape
    pad = ksize // 2
    padded = np.pad(img, pad, mode='reflect')
    result = np.zeros_like(img)
    
    for i in range(h):
        for j in range(w):
            window = padded[i:i+ksize, j:j+ksize]
            result[i, j] = np.mean(window)
    
    return result.astype(np.uint8)

我的经验：手写滤波是理解卷积操作最好的方式。我在带新人时，第一周就让他们手写均值滤波，写完了再讲深度学习里的卷积层，他们一下就懂了。

2.1.3 均值滤波的优缺点

优点	缺点
实现简单，计算速度快	所有像素一视同仁，不分远近
对高斯噪声有一定效果	严重破坏边缘和细节
适合做图像预处理中的粗平滑	对椒盐噪声效果很差（会扩散噪声）
——	核越大，图像越模糊，细节丢失越严重

避坑指南：我曾经在一个工业检测项目里，直接用均值滤波去噪，结果把产品表面的细微划痕也给抹平了。甲方拿着检测报告来找我，说“你们这算法把次品都当成良品了”。从那以后，我再用均值滤波都会先问自己一句：我到底要保留什么？

2.2 高斯滤波：给邻居“分个三六九等”

均值滤波的问题很明显——它认为窗口里所有像素对中心像素的贡献是一样的。但直觉告诉我们：离中心越近的像素，应该越有发言权。

高斯滤波就是基于这个想法。它用高斯函数来生成权重，距离中心越近，权重越大；越远，权重越小。

2.2.1 高斯函数与核

二维高斯函数长这样：

G(x, y) = (1 / (2πσ²)) * exp(-(x² + y²) / (2σ²))

其中 σ（sigma）控制着权重的分布——σ 越大，曲线越平坦，远处的像素也能分到不少权重；σ 越小，曲线越尖，只有紧挨着的邻居才有话语权。

举个例子，σ=1.0 时，一个 3×3 的高斯核大概长这样（归一化前）：

[[0.075, 0.124, 0.075],
 [0.124, 0.204, 0.124],
 [0.075, 0.124, 0.075]]

你看，中心像素的权重是 0.204，是角落像素（0.075）的近 3 倍。这就是“远近亲疏有别”。

2.2.2 代码实现

OpenCV 里同样简单：

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

cv2.imshow('Gaussian Blur', gaussian_blur)
cv2.waitKey(0)

手写实现也不复杂，关键是要先生成高斯核：

def gaussian_kernel(ksize, sigma):
    kernel = np.zeros((ksize, ksize), dtype=np.float32)
    center = ksize // 2
    
    for i in range(ksize):
        for j in range(ksize):
            x, y = i - center, j - center
            kernel[i, j] = np.exp(-(x**2 + y**2) / (2 * sigma**2))
    
    # 归一化，让所有权重之和为 1
    kernel /= kernel.sum()
    return kernel

def my_gaussian_filter(img, ksize=5, sigma=1.5):
    kernel = gaussian_kernel(ksize, sigma)
    h, w = img.shape
    pad = ksize // 2
    padded = np.pad(img, pad, mode='reflect')
    result = np.zeros_like(img)
    
    for i in range(h):
        for j in range(w):
            window = padded[i:i+ksize, j:j+ksize]
            result[i, j] = np.sum(window * kernel)
    
    return result.astype(np.uint8)

一个实用技巧：OpenCV 的 GaussianBlur 有个隐藏参数——你可以只传 ksize 不传 sigma，它会自动根据核大小计算 sigma。公式是 sigma = 0.3 * ((ksize - 1) * 0.5 - 1) + 0.8。但我建议你还是手动指定 sigma，可控性更强。

2.2.3 高斯滤波的优缺点

优点	缺点
权重分布符合自然规律，平滑更自然	仍然会模糊边缘，只是比均值滤波好一些
可通过 σ 控制平滑程度，灵活性高	计算量比均值滤波稍大（需要浮点乘法）
对高斯噪声效果很好（“专业对口”）	对脉冲噪声（椒盐）效果依然不理想
可分离性：二维高斯可拆成两个一维高斯，加速计算	σ 选择不当，要么欠平滑，要么过平滑

2.3 核心知识图谱

下面这张图帮你理清今天讲的内容：

2.4 如何选择：均值 vs 高斯

在实际项目中，我一般这样选：

快速预览或粗处理：用均值滤波，速度快，看一眼效果就行
噪声是高斯型的：首选高斯滤波，σ 设为 1.0~1.5 之间
需要保留边缘：两个都不行，等后面章节讲的双边滤波或深度学习方案
核大小怎么定：一般 3×3 或 5×5 就够了，7×7 以上基本只剩模糊

  一个重要的认知：均值滤波和高斯滤波都是线性滤波。它们对整张图像“一视同仁”，不会区分哪里是平坦区域、哪里是边缘。这就是它们保边能力差的根本原因。后面我们要讲的双边滤波、非局部均值，都是在尝试打破这种“一视同仁”。

2.5 本章小结

今天我们学了两种最基础的降噪方法：

均值滤波：简单粗暴，所有邻居平等投票。适合快速去噪，但细节丢失严重。
高斯滤波：按距离分配权重，平滑更自然。通过 σ 控制平滑程度，是实际项目中最常用的基础滤波器。

这两种方法都有一个共同的“死穴”——不分区域地平滑。边缘和噪声在它们眼里是一样的，都会被抹平。