3. 传统降噪方法（下）：中值滤波、双边滤波的原理与实现，边缘保留特性分析

上一节我们聊了均值滤波和高斯滤波。这两种方法，说白了都是「平均主义」——把邻域内的像素揉在一起取个平均值。平滑效果不错，但代价也很明显：边缘糊了。

那有没有一种方法，既能去掉噪声，又能把边缘这条「命根子」保住？

有。中值滤波和双边滤波，就是传统图像处理里两个最经典的「边缘保留」选手。我入行那会儿，第一个接触的非线性滤波器就是中值滤波，当时觉得这玩意儿太聪明了。后来做双边滤波，才真正体会到什么叫「既要又要」的工程艺术。

3.1 中值滤波：简单粗暴，但有效

3.4.1 原理：排序代替平均

中值滤波的思路非常直接：不用平均，用排序。

具体做法：

1. 选定一个窗口（比如 3×3）
2. 把窗口内所有像素值排序
3. 取排序后的中间值，作为当前像素的新值

举个例子。一个 3×3 窗口里的像素值是这样的：

原始像素值：
[10, 12, 11]
[13, 255, 9]   ← 中间那个 255 是椒盐噪声
[8, 11, 10]

排序后：8, 9, 10, 10, 11, 11, 12, 13, 255
中间值（第5个）：11

新像素值：11

你看，那个突兀的 255 直接被干掉了，换成了 11。这就是中值滤波的核心——对离群点免疫。

3.4.2 为什么能保留边缘？

这个问题我当年也困惑过。你想想看，边缘是什么？是像素值的「跳变」。比如从 50 跳到 150。

如果窗口刚好跨在边缘上：

窗口跨边缘：
[50, 50, 50]
[50, 150, 150]
[50, 150, 150]

排序后：50, 50, 50, 50, 50, 150, 150, 150, 150
中间值：50 或 150（取决于窗口中心在哪一侧）

结果要么是 50，要么是 150。边缘还在。而均值滤波会把 50 和 150 平均成 100，边缘就糊了。

这就是中值滤波的「边缘保留」本质——它不创造新值，只从现有值里选一个。

3.4.3 代码实现

OpenCV 里一句话搞定：

import cv2
import numpy as np

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

# 中值滤波，核大小必须为奇数
denoised = cv2.medianBlur(img, 3)  # 3x3 窗口

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Median Filter', denoised)
cv2.waitKey(0)

如果自己实现，核心逻辑也不复杂：

def median_filter(image, kernel_size=3):
    h, w = image.shape
    pad = kernel_size // 2
    padded = np.pad(image, pad, mode='reflect')
    result = np.zeros_like(image)
    
    for i in range(h):
        for j in range(w):
            window = padded[i:i+kernel_size, j:j+kernel_size]
            result[i, j] = np.median(window)
    
    return result

3.4.4 中值滤波的局限性

优点	缺点
对椒盐噪声效果极好	对高斯噪声效果一般
边缘保留能力强	计算量大（需要排序）
实现简单	窗口越大，细节丢失越多
没有平均带来的模糊	对纹理区域不友好

我曾经在一个工业检测项目里用中值滤波去椒盐噪声，效果非常好。但换成高斯噪声后，图像反而出现了「块状感」。后来我才意识到——中值滤波对高斯噪声的抑制能力有限，因为高斯噪声的每个像素都偏离了真值，排序后中间值也不准。

3.2 双边滤波：空间+灰度，双管齐下

3.2.1 原理：两个高斯核的乘积

双边滤波（Bilateral Filter）是我个人非常喜欢的一个滤波器。它的想法很优雅：不仅要考虑像素之间的距离，还要考虑像素值之间的差异。

公式长这样：

I_filtered(x) = (1/W_p) * Σ I(x_i) * G_s(||x - x_i||) * G_r(|I(x) - I(x_i)|)

其中：
- G_s: 空间高斯核（距离越近，权重越大）
- G_r: 灰度高斯核（灰度越接近，权重越大）
- W_p: 归一化系数

说白了就是：

• 空间近的像素，权重高
• 灰度值接近的像素，权重高
• 两者都满足的像素，权重最高

这就意味着：在平坦区域，周围像素灰度值都差不多，双边滤波退化为高斯滤波，平滑效果很好。但在边缘处，边缘另一侧的像素灰度值差异大，权重被压低，所以边缘被保留了下来。

3.2.2 两个关键参数

双边滤波有两个核心参数，调参的时候要特别留意：

参数	符号	作用	调参建议
空间标准差	σspace	控制空间邻域大小	越大，平滑范围越广
灰度标准差	σrange	控制灰度相似性阈值	越大，边缘保留越弱

我刚开始用双边滤波的时候，经常把 σ_range 设得太大，结果边缘全没了，跟高斯滤波没区别。后来才明白——σ_range 决定了「什么算边缘」。设小了，连纹理都当边缘保留；设大了，真正的边缘也被平滑掉。

3.2.3 代码实现

OpenCV 实现：

import cv2

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

# 双边滤波
# 参数：d=9（邻域直径），sigmaColor=75（灰度标准差），sigmaSpace=75（空间标准差）
denoised = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

cv2.imshow('Bilateral Filter', denoised)
cv2.waitKey(0)

自己实现的核心逻辑：

def bilateral_filter(image, d=9, sigma_color=75, sigma_space=75):
    h, w = image.shape
    pad = d // 2
    padded = np.pad(image, pad, mode='reflect')
    result = np.zeros_like(image, dtype=np.float32)
    
    # 预计算空间高斯权重
    x, y = np.meshgrid(range(-pad, pad+1), range(-pad, pad+1))
    space_weight = np.exp(-(x**2 + y**2) / (2 * sigma_space**2))
    
    for i in range(h):
        for j in range(w):
            window = padded[i:i+d, j:j+d].astype(np.float32)
            center_val = image[i, j]
            
            # 灰度高斯权重
            range_weight = np.exp(-((window - center_val)**2) / (2 * sigma_color**2))
            
            # 总权重 = 空间权重 × 灰度权重
            weight = space_weight * range_weight
            weight /= weight.sum()  # 归一化
            
            result[i, j] = np.sum(window * weight)
    
    return result.astype(np.uint8)

3.3 边缘保留特性对比分析

为了让你更直观地理解，我画了一张对比图：

3.4 如何选择？

在实际项目中，我一般这样选：

• 椒盐噪声 → 中值滤波。又快又好，没商量。
• 高斯噪声 + 需要保留边缘 → 双边滤波。但要注意调参。
• 实时性要求高 → 中值滤波。双边滤波太慢。
• 纹理丰富的区域 → 双边滤波。中值滤波会把细纹理当成噪声抹掉。

3.5 小结

这一节我们聊了中值滤波和双边滤波。中值滤波靠排序，对椒盐噪声有奇效；双边滤波靠空间+灰度双权重，能在去噪的同时保住边缘。两者都是传统图像处理里的「边缘保留」利器。

但说实话，这两种方法都有天花板。中值滤波对高斯噪声力不从心，双边滤波计算量大、参数敏感。到了深度学习时代，我们有更好的选择——那就是后面要讲的卷积神经网络去噪方法。

不过，理解这些传统方法很重要。它们的思想——利用局部统计特性、区分噪声和边缘——在深度学习里依然被广泛借鉴。很多去噪网络的设计，都能看到中值滤波和双边滤波的影子。