3、传统去噪方法（一）：均值滤波、高斯滤波的原理与Python实现

说到图像去噪，很多新手一上来就想着上深度学习。但我得说一句大实话：传统方法虽然“传统”，但在很多实际场景里，它比AI更稳、更快、更可控。尤其是均值滤波和高斯滤波，这两个可以说是去噪界的“基本功”。

我个人习惯把传统去噪方法比作“磨皮”。你想想看，皮肤上的痘痘和毛孔（噪声）怎么处理？最简单的办法就是把它周围的皮肤颜色“抹匀”。均值滤波和高斯滤波，干的就是这个活。

3.1 均值滤波：简单粗暴的“平均主义”

均值滤波的原理，说白了就是一句话：用邻域像素的平均值代替当前像素值。

举个例子。假设你有一张图，某个像素点因为传感器噪声变成了一个“白点”。这个白点跟周围格格不入，怎么办？我们把它周围3x3区域内的所有像素值加起来，除以9，得到平均值，然后把这个平均值赋给中心点。这样一来，那个突兀的白点就被“拉回”到正常水平了。

我在项目中遇到过一件事：有一次处理工业相机拍摄的金属表面图像，噪声是那种均匀的椒盐噪声。我试了各种高级算法，最后发现最简单的均值滤波，配合一个合适的核大小，效果反而最好。嗯，有时候别把事情想复杂了。

Python实现均值滤波

OpenCV里直接提供了现成的函数，但我建议你至少手写一次，这样才能真正理解它的工作原理。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像（假设是暗光拍摄的噪声图）
img = cv2.imread('noisy_dark.jpg', cv2.IMREAD_GRAYSCALE)

# 方法一：OpenCV自带函数
blurred_cv = cv2.blur(img, (5, 5))  # 5x5的滤波核

# 方法二：手写均值滤波（加深理解）
def my_mean_filter(image, kernel_size=5):
    h, w = image.shape
    pad = kernel_size // 2
    # 边界填充，防止边缘处理不了
    padded = np.pad(image, pad, mode='reflect')
    result = np.zeros_like(image)
    
    for i in range(h):
        for j in range(w):
            # 提取邻域
            region = padded[i:i+kernel_size, j:j+kernel_size]
            # 计算均值
            result[i, j] = np.mean(region)
    
    return result.astype(np.uint8)

blurred_manual = my_mean_filter(img, 5)

# 显示结果
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('原始噪声图')
plt.subplot(132), plt.imshow(blurred_cv, cmap='gray'), plt.title('OpenCV均值滤波')
plt.subplot(133), plt.imshow(blurred_manual, cmap='gray'), plt.title('手写均值滤波')
plt.show()

3.2 高斯滤波：带权重的“温柔平均”

均值滤波有个明显的缺点：它把邻域内所有像素一视同仁。你想想看，离中心点远的像素和近的像素，对中心点的影响应该一样吗？显然不应该。

高斯滤波就解决了这个问题。它给每个邻域像素分配一个权重，距离中心越近，权重越大；距离越远，权重越小。这个权重分布服从高斯函数（也就是正态分布）。

说白了，高斯滤波就是“加权平均”。它比均值滤波更聪明，因为它知道“远亲不如近邻”这个道理。

Python实现高斯滤波

# 方法一：OpenCV自带函数
gaussian_cv = cv2.GaussianBlur(img, (5, 5), sigmaX=1.5)

# 方法二：手写高斯滤波
def my_gaussian_filter(image, kernel_size=5, sigma=1.5):
    h, w = image.shape
    pad = kernel_size // 2
    
    # 生成高斯核
    kernel = np.zeros((kernel_size, kernel_size))
    center = kernel_size // 2
    for i in range(kernel_size):
        for j in range(kernel_size):
            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 /= np.sum(kernel)
    
    # 边界填充
    padded = np.pad(image, pad, mode='reflect')
    result = np.zeros_like(image)
    
    for i in range(h):
        for j in range(w):
            region = padded[i:i+kernel_size, j:j+kernel_size]
            # 加权求和
            result[i, j] = np.sum(region * kernel)
    
    return result.astype(np.uint8)

gaussian_manual = my_gaussian_filter(img, 5, sigma=1.5)

# 对比显示
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(img, cmap='gray'), plt.title('原始噪声图')
plt.subplot(132), plt.imshow(gaussian_cv, cmap='gray'), plt.title('OpenCV高斯滤波')
plt.subplot(133), plt.imshow(gaussian_manual, cmap='gray'), plt.title('手写高斯滤波')
plt.show()

3.3 均值滤波 vs 高斯滤波：怎么选？

很多同学会问：到底用哪个？我直接给结论：

对比维度	均值滤波	高斯滤波
去噪能力	均匀噪声效果好	高斯噪声效果更好
细节保留	较差，容易模糊边缘	较好，边缘保留更自然
计算速度	更快	稍慢（需要计算权重）
适用场景	实时性要求高、噪声均匀	需要保留细节、噪声分布随机

我个人习惯：能上高斯就别用均值。除非你的项目对实时性要求极高，比如每秒处理上百帧视频，那均值滤波确实更快。否则，高斯滤波多出来的那点计算量，换来的画质提升是完全值得的。

3.4 本章知识体系

下面这张图帮你理清本章的核心逻辑：

好了，均值滤波和高斯滤波就讲到这里。这两个方法虽然简单，但它们是所有去噪算法的基础。你想想看，后面要讲的非局部均值、双边滤波，甚至深度学习去噪，本质上都是在“加权平均”这个思路上做文章。把今天的内容吃透，后面的路就好走了。

---

公众号:蓝海资料掘金营，微信deep3321