3. 经典去噪算法（一）：均值滤波、高斯滤波、中值滤波的原理与OpenCV实现

图像去噪，说白了就是给图片「洗脸」。

我刚开始做图像处理那会儿，最头疼的就是噪声。一张好好的照片，拍出来全是雪花点，你说烦不烦？后来慢慢摸清了门道，发现去噪这事儿，其实就三板斧：均值滤波、高斯滤波、中值滤波。

今天咱们就把这三兄弟掰开揉碎了讲清楚。

3.1 均值滤波：简单粗暴的平均主义

均值滤波的思路特别朴素——用周围像素的平均值代替中心像素。

你想想看，如果某个像素是噪声点，它跟周围邻居肯定不一样。那我把周围一圈的像素值加起来取个平均，噪声就被「稀释」了。

3.1.1 原理

假设我们有一个3×3的窗口，中心像素是噪声点。均值滤波的做法是：

• 把窗口内9个像素的灰度值加起来
• 除以9，得到平均值
• 把这个平均值赋给中心像素

用数学公式表达就是：

g(x,y) = (1/(m×n)) × Σ f(i,j)

其中m×n是窗口大小，f(i,j)是原始像素值。

3.1.2 OpenCV实现

import cv2
import numpy as np

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

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

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Blurred', blurred)
cv2.waitKey(0)

3.2 高斯滤波：给邻居们分个亲疏远近

均值滤波有个明显的问题——它把窗口内所有像素一视同仁。但你想啊，离中心越近的像素，按理说应该越「靠谱」才对。

高斯滤波就是来解决这个问题的。它给每个像素分配一个权重，距离中心越近，权重越大。

3.2.1 原理

高斯滤波的核心是高斯核。这个核长什么样呢？

一个3×3的高斯核（σ=0.8）：
[1, 2, 1]
[2, 4, 2]
[1, 2, 1]

你看，中心像素的权重是4，四个角上的像素权重只有1。这就是「近朱者赤，近墨者黑」的数学表达。

高斯核的生成公式：

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

其中σ是标准差，控制着权重的分布范围。

3.2.2 OpenCV实现

# 高斯滤波，窗口5×5，σ=1.0
gaussian = cv2.GaussianBlur(img, (5, 5), 1.0)

# 也可以只指定σ，让OpenCV自动计算窗口大小
gaussian_auto = cv2.GaussianBlur(img, (0, 0), 1.0)

3.3 中值滤波：专治椒盐噪声的猛药

前面两种滤波都是线性滤波，说白了就是做加减乘除。但有些噪声，比如椒盐噪声（黑白点），用线性滤波效果很差。

为什么？因为椒盐噪声的值要么是0（黑），要么是255（白），取平均之后会把周围的像素也带偏。

中值滤波的思路完全不同——它取窗口内所有像素的中位数。

3.3.1 原理

假设窗口内有9个像素值：

[12, 15, 18, 20, 255, 22, 25, 28, 30]

排序后：

[12, 15, 18, 20, 22, 25, 28, 30, 255]

中位数是22，用它代替中心像素。你看，那个255的噪声点直接被跳过了。

3.3.2 OpenCV实现

# 中值滤波，窗口大小3
median = cv2.medianBlur(img, 3)

# 对于椒盐噪声严重的图像，可以加大窗口
median_strong = cv2.medianBlur(img, 5)

3.4 三种滤波的对比

说了这么多，咱们来做个对比总结：

滤波类型	原理	适用场景	优点	缺点
均值滤波	取平均值	高斯噪声	简单快速	边缘模糊严重
高斯滤波	加权平均	高斯噪声	边缘保留较好	计算量稍大
中值滤波	取中位数	椒盐噪声	边缘保留最好	对高斯噪声效果一般

3.5 知识体系总览

下面这张图，是我梳理的本章知识结构。你看一眼就能明白三种滤波的关系和区别：

3.6 实战建议

最后，分享几个我在项目中积累的经验：

1. 先看噪声类型——如果是椒盐噪声，直接上中值滤波；如果是高斯噪声，高斯滤波更合适。
2. 窗口从小试起——我习惯从3×3开始，效果不够再加大。一上来就用大窗口，容易把细节搞丢。
3. 边界要处理好——OpenCV默认的边界处理方式是复制边缘像素，但如果你有特殊需求，可以用borderType参数调整。
4. 别迷信单一滤波——有时候把两种滤波组合起来用，效果反而更好。比如先中值滤波去椒盐噪声，再高斯滤波平滑细节。