第1章：实战：Python实现基础去噪滤波器

各位同学，欢迎来到《去噪算法在安防监控中的实战》课程。

我是你们的老朋友，一个在安防监控领域摸爬滚打了十来年的算法工程师。今天咱们正式开始第一课——用Python把最基础的几个去噪滤波器跑起来。

说实话，很多新手一上来就追着深度学习跑，结果连最基本的噪声都处理不好。我个人习惯是，先把地基打牢。你想想看，监控画面里的雪花点、椒盐噪声，这些用传统滤波方法处理起来又快又稳，何必杀鸡用牛刀？

1.1 环境搭建：OpenCV 的安装与验证

工欲善其事，必先利其器。咱们先搞定OpenCV。

安装其实很简单，一行命令的事。但我建议你用虚拟环境，别把系统Python搞乱了。我在项目里吃过这个亏，有一次装了个新版本的OpenCV，结果把公司服务器上跑得好好的旧项目给搞崩了……嗯，从那以后我老老实实用虚拟环境。

推荐安装方式：

# 创建虚拟环境（Python 3.8+ 都行）
python -m venv monitor_env

# 激活环境（Windows）
monitor_env\Scripts\activate

# 激活环境（Mac/Linux）
source monitor_env/bin/activate

# 安装OpenCV
pip install opencv-python opencv-contrib-python

# 验证安装
python -c "import cv2; print(cv2.__version__)"

看到版本号输出，比如 4.8.0 之类的，就说明装好了。

小提示：如果你用的是树莓派或者嵌入式设备，建议装 opencv-python-headless，不带GUI，省空间。

1.2 读取监控视频帧

监控视频说白了就是一帧一帧的图片快速播放。咱们先学会怎么把每一帧抓出来。

我当年做第一个项目时，用的是海康的RTSP流。那时候不懂，直接 cv2.VideoCapture("rtsp://...") 就上了，结果延迟高得离谱。后来才明白，要加缓存队列和丢帧策略。不过今天咱们先玩本地视频文件，把基础走通。

import cv2

# 打开视频文件（或者摄像头：0 表示第一个摄像头）
cap = cv2.VideoCapture("test_video.mp4")

# 检查是否打开成功
if not cap.isOpened():
    print("视频打开失败！检查路径或权限。")
    exit()

# 循环读取帧
frame_count = 0
while True:
    ret, frame = cap.read()
    if not ret:
        print("视频读取完毕或出错。")
        break
    
    # 显示当前帧
    cv2.imshow("监控画面", frame)
    
    # 按 'q' 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
    
    frame_count += 1

# 释放资源
cap.release()
cv2.destroyAllWindows()

print(f"共读取了 {frame_count} 帧")

这段代码很简单，但有几个坑我要提醒你：

  • waitKey(1) 里的数字是等待毫秒数。监控视频一般用1-10，太快画面会闪，太慢会卡。
  • 记得释放 cap.release()，不然下次打开摄像头可能会报错。
  • 如果视频是黑白的，可以用 cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) 转灰度，后面滤波会更快。

1.3 三种基础去噪滤波器

好，现在进入正题。咱们要处理监控画面里的噪声。常见的噪声有两种：

  • 椒盐噪声：画面里随机出现黑白点，像撒了盐和胡椒。老式模拟摄像头常见。
  • 高斯噪声：画面整体有颗粒感，像老电视的雪花。低光照环境下特别明显。

针对这两种噪声，有三种经典滤波器：均值、高斯、中值。我一个个说。

1.3.1 均值滤波

均值滤波的原理很简单：用一个窗口（比如3x3）滑过图像，把窗口内所有像素的平均值赋给中心点。

说白了就是「和稀泥」。它能平滑噪声，但也会把边缘细节抹掉。监控画面里如果有人在走动，用了均值滤波后，人的轮廓会变模糊。

def apply_mean_filter(frame, kernel_size=5):
    """
    均值滤波
    kernel_size: 核大小，必须是奇数，比如3,5,7
    """
    return cv2.blur(frame, (kernel_size, kernel_size))

注意：核越大，平滑效果越强，但图像越模糊。监控场景下，我一般用3x3或5x5，再大就丢失细节了。

1.3.2 高斯滤波

高斯滤波和均值滤波有点像，但它不是简单平均，而是根据高斯分布给窗口内的像素分配权重——中心点权重最大，越往边缘权重越小。

这样做的好处是：保留了更多边缘信息。对付高斯噪声特别有效。

def apply_gaussian_filter(frame, kernel_size=5, sigma=1.0):
    """
    高斯滤波
    sigma: 标准差，控制权重分布。sigma越大，图像越平滑。
    """
    return cv2.GaussianBlur(frame, (kernel_size, kernel_size), sigma)

这里有个参数 sigma，我刚开始用的时候总搞不明白。后来发现，sigma=0 时OpenCV会自动根据核大小计算，大多数情况下够用了。但如果你想要更强的平滑效果，可以调大到1.5或2.0。

1.3.3 中值滤波

中值滤波就更有意思了。它把窗口内的像素排序，取中间值代替中心点。

为什么它厉害？因为椒盐噪声是极端值（要么特别白要么特别黑），排序后肯定在两端，中间值根本不受影响。所以中值滤波是去椒盐噪声的王牌。

def apply_median_filter(frame, kernel_size=3):
    """
    中值滤波
    kernel_size: 核大小，必须是奇数
    """
    return cv2.medianBlur(frame, kernel_size)

避坑指南：我曾经在一个停车场监控项目里，画面全是椒盐噪声，用了均值滤波效果很差。后来换成中值滤波，瞬间干净了。但注意，中值滤波计算量比均值大，实时性要求高的场景要权衡。

1.4 对比效果：完整代码

下面我把所有东西串起来，写一个完整的对比程序。它会同时显示原图、均值、高斯、中值四种效果，方便你直观对比。

import cv2
import numpy as np

def process_frame(frame):
    """对一帧应用三种滤波"""
    # 转灰度（可选，为了速度更快）
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 三种滤波
    mean = cv2.blur(gray, (5, 5))
    gaussian = cv2.GaussianBlur(gray, (5, 5), 1.0)
    median = cv2.medianBlur(gray, 5)
    
    return gray, mean, gaussian, median

def main():
    cap = cv2.VideoCapture("test_video.mp4")
    if not cap.isOpened():
        print("无法打开视频")
        return
    
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        
        # 处理当前帧
        original, mean, gaussian, median = process_frame(frame)
        
        # 拼接显示（2x2网格）
        top = np.hstack((original, mean))
        bottom = np.hstack((gaussian, median))
        display = np.vstack((top, bottom))
        
        # 添加文字标签
        cv2.putText(display, "Original", (10, 30), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
        cv2.putText(display, "Mean", (original.shape[1] + 10, 30), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
        cv2.putText(display, "Gaussian", (10, original.shape[0] + 30), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
        cv2.putText(display, "Median", (original.shape[1] + 10, original.shape[0] + 30), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
        
        cv2.imshow("去噪效果对比", display)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    
    cap.release()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

1.5 效果对比与选择建议

跑完上面的代码，你会看到四种画面。我根据经验总结了一个选择表：

噪声类型 推荐滤波器 核大小建议 备注
椒盐噪声 中值滤波 3x3 或 5x5 效果立竿见影，边缘保留好
高斯噪声 高斯滤波 5x5, sigma=1.0 平滑自然，细节损失小
混合噪声 先中值再高斯 中值3x3 + 高斯5x5 先除椒盐，再平滑高斯
实时性要求高 均值滤波 3x3 计算最快，但边缘模糊

为什么会这样？我解释一下：

  • 中值滤波对椒盐噪声是「天生克星」，因为它直接忽略极端值。
  • 高斯滤波模拟了自然界噪声的分布，所以对付高斯噪声最合适。
  • 均值滤波虽然简单，但在监控场景下，如果画面本身噪声不大，用均值滤波反而会「过度平滑」，把有用的细节弄没了。

我的个人经验：在安防监控中，我90%的场景用中值滤波。为什么？因为监控画面最常见的噪声就是椒盐噪声（线路干扰、传感器老化）。而且中值滤波对边缘的保护比均值好太多。你想想看，如果嫌疑人的轮廓被模糊了，那监控还有什么用？

1.6 本章知识体系

为了让你更直观地理解本章内容，我画了一张流程图：

第1章：基础去噪滤波器实战流程 步骤1：环境搭建 安装OpenCV + 验证 步骤2：读取监控视频帧 VideoCapture → read() 循环 步骤3：应用三种滤波器 均值滤波 (cv2.blur) 高斯滤波 (cv2.GaussianBlur) 中值滤波 (cv2.medianBlur) 步骤4：对比效果 + 选择建议 根据噪声类型选择最优方案

这张图把本章的四个核心步骤串起来了。你跟着这个流程走，就能完整跑通一个基础去噪的监控处理管线。

1.7 本章小结

好了，第一课的内容就这些。咱们回顾一下：

  • 搭建了OpenCV环境，学会了读取视频帧。
  • 实现了三种基础去噪滤波器：均值、高斯、中值。
  • 通过对比代码，直观看到了不同滤波器的效果差异。
  • 根据噪声类型，给出了选择建议。

说实话，这些基础滤波器虽然简单，但它们是后续所有高级去噪算法（比如非局部均值、小波去噪、甚至深度学习去噪）的基石。你把这个基础打牢了，后面学什么都快。

下一章，咱们会深入聊聊「噪声模型」——只有真正理解了噪声是怎么产生的，你才能选对滤波器。嗯，到时候见。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →