4、传统去噪方法（二）：中值滤波、双边滤波的原理与Python实现

上一节我们聊了均值滤波和高斯滤波，说白了它们都是线性滤波。线性滤波有个天生的毛病——它会把边缘也一起模糊掉。你想想看，一张照片里，噪点和边缘其实都是高频信号，线性滤波器分不清谁是谁，一视同仁地给你抹平了。

那怎么办？我个人的经验是，遇到这种情况，就该请出非线性滤波了。今天咱们重点聊两个：中值滤波和双边滤波。这两个家伙，一个靠排序，一个靠权重组合，都能在去噪的同时保住边缘。

核心区别一句话总结：

  • 中值滤波：用邻域像素的中位数代替中心像素。对椒盐噪声效果极好。
  • 双边滤波：同时考虑空间距离和像素值差异。对高斯噪声有效，且能保边。

4.1 中值滤波：简单粗暴但有效

中值滤波的原理特别简单。你把一个像素周围的所有像素值排个序，取中间那个值，替换掉原来的像素。就这么简单。

为什么它能去噪？因为噪点通常是孤立的异常值，排序之后它要么在最左边，要么在最右边，根本轮不到它当中间值。而边缘呢？边缘两侧的像素值虽然不同，但各自区域内是连续的，排序后中间值大概率还是属于同一边的像素，所以边缘保住了。

我记得有一次做工业检测项目，摄像头采集的图片全是椒盐噪声——就是那种黑白点乱蹦的。用高斯滤波试了半天，边缘糊得一塌糊涂。换成中值滤波，3x3的窗口一跑，噪点全没了，边缘还清清楚楚。嗯，从那以后我遇到椒盐噪声，第一反应就是中值滤波。

避坑指南：我曾经犯过一个低级错误——对彩色图像直接做中值滤波。彩色图像有三个通道，每个通道单独做中值滤波，结果颜色全乱了。正确的做法是先把RGB转成灰度，或者对每个通道分别处理后再合并。更专业的做法是用OpenCV的cv2.medianBlur，它内部已经处理好了多通道的情况。

4.1.1 中值滤波的Python实现

OpenCV里直接有现成的函数，但我还是建议你手写一遍，理解它的内部逻辑。

import cv2
import numpy as np

def median_filter(image, kernel_size=3):
    """
    手动实现中值滤波
    :param image: 输入图像 (灰度图)
    :param kernel_size: 窗口大小，必须是奇数
    :return: 滤波后的图像
    """
    # 边界填充，防止边缘像素处理不到
    pad = kernel_size // 2
    padded = cv2.copyMakeBorder(image, pad, pad, pad, pad, cv2.BORDER_REFLECT)
    
    # 初始化输出图像
    output = np.zeros_like(image)
    
    # 遍历每个像素
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            # 提取窗口内的像素值
            window = padded[i:i+kernel_size, j:j+kernel_size]
            # 排序取中位数
            median_val = np.median(window)
            output[i, j] = median_val
    
    return output

# 读取图像并添加椒盐噪声
img = cv2.imread('lena.jpg', 0)  # 灰度图
# 添加椒盐噪声（模拟）
noise = np.random.randint(0, 255, img.shape)
salt_pepper = np.where(noise < 10, 0, np.where(noise > 245, 255, img))

# 应用中值滤波
filtered = median_filter(salt_pepper, kernel_size=3)

# 对比OpenCV内置函数
opencv_filtered = cv2.medianBlur(salt_pepper, 3)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Noisy', salt_pepper)
cv2.imshow('Manual Median', filtered)
cv2.imshow('OpenCV Median', opencv_filtered)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：中值滤波的窗口大小必须是奇数。为什么？因为奇数个数的中位数是唯一的。如果是偶数，中位数需要取中间两个数的平均值，虽然也能算，但效果不如奇数窗口稳定。我一般用3x3或5x5，再大就容易把细节也抹掉了。

4.2 双边滤波：保边去噪的利器

双边滤波就比中值滤波复杂多了。它本质上还是加权平均，但权重由两部分组成：

  • 空间权重：离中心像素越近，权重越大。这和高斯滤波一样。
  • 值域权重：像素值越接近中心像素，权重越大。这是双边滤波的精髓。

说白了，双边滤波在做平滑的时候，会先看看周围的像素跟中心像素像不像。如果像，就多参考；如果不像（比如边缘两侧），就少参考甚至不参考。这样一来，平坦区域的噪点被平滑掉了，边缘却被保留了下来。

我刚开始学双边滤波时，总觉得它参数太多，调起来麻烦。后来做夜景照片去噪，高斯滤波把星星都模糊成一片了，双边滤波却能保留星星的轮廓。那一刻我才真正理解它的价值。

4.2.1 双边滤波的数学原理

公式其实不复杂，但理解起来需要一点耐心：

输出像素值 = (1/W) * Σ( 空间权重 * 值域权重 * 邻域像素值 )

其中：
W = Σ( 空间权重 * 值域权重 )  # 归一化系数

空间权重 = exp( - (距离²) / (2 * σ_space²) )
值域权重 = exp( - (像素差²) / (2 * σ_range²) )

你看，空间权重只跟距离有关，值域权重只跟像素值差异有关。两者相乘，就是最终的权重。当像素值差异很大时（比如边缘），值域权重趋近于0，即使空间上离得很近，也不会参与平滑。这就是保边的秘密。

4.2.2 双边滤波的Python实现

OpenCV提供了cv2.bilateralFilter，但为了理解原理，我们还是手写一个简化版。

import cv2
import numpy as np

def bilateral_filter(image, d=9, sigma_color=75, sigma_space=75):
    """
    手动实现双边滤波
    :param image: 输入图像 (灰度图)
    :param d: 窗口直径
    :param sigma_color: 值域标准差
    :param sigma_space: 空间标准差
    :return: 滤波后的图像
    """
    # 边界填充
    pad = d // 2
    padded = cv2.copyMakeBorder(image, pad, pad, pad, pad, cv2.BORDER_REFLECT)
    
    # 初始化输出
    output = np.zeros_like(image, dtype=np.float32)
    
    # 预计算空间权重（只跟距离有关，可以提前算好）
    x, y = np.meshgrid(np.arange(-pad, pad+1), np.arange(-pad, pad+1))
    spatial_weights = np.exp(-(x**2 + y**2) / (2 * sigma_space**2))
    
    # 遍历每个像素
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            # 提取窗口
            window = padded[i:i+d, j:j+d].astype(np.float32)
            center_val = window[pad, pad]
            
            # 计算值域权重
            range_weights = np.exp(-((window - center_val)**2) / (2 * sigma_color**2))
            
            # 总权重 = 空间权重 * 值域权重
            total_weights = spatial_weights * range_weights
            
            # 归一化并计算输出
            output[i, j] = np.sum(window * total_weights) / np.sum(total_weights)
    
    return output.astype(np.uint8)

# 使用示例
img = cv2.imread('lena.jpg', 0)
# 添加高斯噪声
noise = np.random.normal(0, 25, img.shape).astype(np.uint8)
gaussian_noisy = cv2.add(img, noise)

# 应用双边滤波
filtered = bilateral_filter(gaussian_noisy, d=9, sigma_color=75, sigma_space=75)

# OpenCV内置版本
opencv_filtered = cv2.bilateralFilter(gaussian_noisy, 9, 75, 75)

cv2.imshow('Original', img)
cv2.imshow('Noisy', gaussian_noisy)
cv2.imshow('Manual Bilateral', filtered)
cv2.imshow('OpenCV Bilateral', opencv_filtered)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数调优建议：

  • d：窗口直径。一般取5-15之间。d越大，计算越慢，但平滑效果越强。
  • sigma_color：值域标准差。值越大，值域权重衰减越慢，保边效果越弱。我一般取50-100。
  • sigma_space：空间标准差。值越大，空间权重衰减越慢，平滑范围越大。通常跟d成正比，取d/2左右。

我个人习惯是先固定sigma_space，然后调整sigma_color。sigma_color太小，去噪不彻底；太大，边缘就保不住了。找到一个平衡点，需要多试几次。

4.3 中值滤波 vs 双边滤波：怎么选？

这两个方法各有千秋，我整理了一个对比表格，方便你快速决策：

对比维度 中值滤波 双边滤波
噪声类型 椒盐噪声（极佳） 高斯噪声（良好）
保边能力 中等（边缘会轻微锯齿） 优秀（边缘清晰）
计算速度 快（O(n²)） 慢（O(n² * d²)）
参数数量 1个（窗口大小） 3个（d, sigma_color, sigma_space）
适用场景 扫描文档、工业检测 人像美化、夜景照片

我的建议是：如果噪声是明显的黑白点（椒盐噪声），无脑选中值滤波。如果噪声是均匀的颗粒感（高斯噪声），而且你特别在意边缘细节，那就用双边滤波。当然，双边滤波计算量比较大，实时处理时要注意性能。

4.4 知识体系结构图

下面这张图帮你理清今天的内容脉络：

传统去噪方法（二）：中值滤波与双边滤波 中值滤波 双边滤波 原理：邻域像素排序取中位数 特点：对椒盐噪声效果极佳 参数：窗口大小（必须奇数） 实现：cv2.medianBlur() 原理：空间权重 × 值域权重 特点：保边去噪，边缘清晰 参数：d, sigma_color, sigma_space 实现：cv2.bilateralFilter() 选择建议：椒盐噪声→中值滤波；高斯噪声+保边→双边滤波

总结一下今天的内容：

  • 中值滤波：排序取中位数，简单高效，专治椒盐噪声。
  • 双边滤波：空间+值域双重权重，保边去噪，适合高斯噪声。
  • 两者都是非线性滤波，都能在一定程度上保留边缘。
  • 实际项目中，我经常把两者结合使用：先用中值滤波去掉明显的椒盐噪声，再用双边滤波做精细平滑。

好了，今天的内容就到这里。这两种方法虽然经典，但面对复杂噪声时还是力不从心。下一节我们会进入深度学习去噪的世界，那才是真正的大杀器。不过，打好传统方法的基础，你才能理解为什么深度学习能做得更好。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →