3、空间域滤波去噪：均值滤波、中径滤波、高斯滤波原理与Python实现

各位同学，今天我们来聊聊遥感图像去噪里最基础、也最实用的三个滤波器。说实话，我刚开始做遥感图像处理那会儿，拿到一张满是椒盐噪声的卫星图，第一反应就是直接上均值滤波。结果呢？噪声是淡了，但地物边缘也糊成了一片。后来才明白——滤波这事儿，没有银弹，只有对症下药。

3.1 均值滤波：简单但代价明显

均值滤波的原理，说白了就是取一个窗口（比如3×3），把窗口内所有像素的灰度值加起来求平均，然后用这个平均值去替换窗口中心的像素值。

数学表达：

g(x,y) = (1/(m×n)) × Σ f(i,j)  其中(i,j)属于窗口W

我在项目中遇到过一件事：处理某地区的Landsat影像时，用3×3均值滤波去噪，结果把一条很细的公路给滤没了。为什么？因为公路在影像上只有1-2个像素宽，均值滤波一平均，它就和周围农田混在一起了。

Python实现：

import cv2
import numpy as np

# 读取遥感图像
img = cv2.imread('remote_sensing.tif', 0)  # 灰度图

# 均值滤波
mean_blur = cv2.blur(img, (3, 3))  # 3×3窗口
mean_blur_5 = cv2.blur(img, (5, 5))  # 5×5窗口

# 或者用卷积核手动实现
kernel = np.ones((3,3), np.float32) / 9
mean_manual = cv2.filter2D(img, -1, kernel)

3.2 中值滤波：椒盐噪声的克星

中值滤波的思路完全不同——它不取平均，而是取窗口内所有像素的中位数。你想想看，如果窗口里有个像素值是255（亮点噪声），其他都是正常值，中位数大概率还是正常值，噪声就被剔除了。

我个人习惯在处理椒盐噪声时首选3×3中值滤波。为什么？因为椒盐噪声是孤立的亮点或暗点，中值滤波天然对这类噪声免疫。

Python实现：

# 中值滤波
median_blur = cv2.medianBlur(img, 3)  # 3×3窗口
median_blur_5 = cv2.medianBlur(img, 5)  # 5×5窗口

# 手动实现中值滤波（理解原理）
def median_filter(img, kernel_size=3):
    pad = kernel_size // 2
    padded = cv2.copyMakeBorder(img, pad, pad, pad, pad, cv2.BORDER_REFLECT)
    result = np.zeros_like(img)
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            window = padded[i:i+kernel_size, j:j+kernel_size]
            result[i,j] = np.median(window)
    return result

3.3 高斯滤波：更自然的平滑

高斯滤波和均值滤波有点像，但它不是简单平均，而是加权平均——离中心像素越近的像素，权重越大。这个权重由高斯函数决定。

高斯核公式：

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

σ（sigma）控制了权重的分布。σ越大，中心像素的权重越小，平滑效果越强。我建议你记住：σ=0.8到1.2之间，是遥感图像去噪的黄金区间。

Python实现：

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (3, 3), sigmaX=1.0)  # σ=1.0
gaussian_blur_2 = cv2.GaussianBlur(img, (5, 5), sigmaX=1.5)  # 更大窗口

# 手动生成高斯核
def gaussian_kernel(size=3, sigma=1.0):
    kernel = np.zeros((size, size))
    center = size // 2
    for i in range(size):
        for j in range(size):
            x, y = i - center, j - center
            kernel[i,j] = np.exp(-(x**2 + y**2) / (2 * sigma**2))
    kernel /= kernel.sum()  # 归一化
    return kernel

kernel_3x3 = gaussian_kernel(3, sigma=1.0)
gaussian_manual = cv2.filter2D(img, -1, kernel_3x3)

3.4 三种滤波器的对比与选择

滤波器	原理	适用噪声	保边缘能力	计算速度
均值滤波	邻域平均	高斯噪声	差	快
中值滤波	邻域中位数	椒盐噪声	好	中等
高斯滤波	加权平均	高斯噪声	中等	快

嗯，这里要注意：没有哪个滤波器是万能的。我在实际项目中，经常是先用中值滤波去椒盐噪声，再用高斯滤波做一次平滑。两步走，效果比单用任何一个都好。

3.5 本章知识体系

下面这张图，是我自己总结的三种滤波器的核心逻辑。你看一眼，就能明白它们之间的区别和联系。

最后说一句：滤波器的选择，取决于你的后续任务。如果要做地物分类，保边缘比去噪更重要，那就优先选中值滤波或高斯滤波。如果只是做可视化，均值滤波也能用——但别用太大窗口，3×3就够了。