3、图像滤波技术：均值滤波、高斯滤波、中值滤波原理与实现

图像滤波，说白了就是给图像「去噪」或者「磨皮」。

你想想看，摄像头拍出来的照片，或多或少都有噪点。可能是传感器温度太高，也可能是光线不够。这时候，滤波技术就派上用场了。

我个人习惯把滤波分成两类：线性滤波和非线性滤波。均值滤波和高斯滤波属于前者，中值滤波属于后者。嗯，咱们一个一个聊。

3.1 均值滤波：简单粗暴的平滑

均值滤波的原理，其实特别直观。就是拿一个窗口（比如3x3的方块），在图像上滑动。每到一个位置，就把窗口内所有像素的灰度值加起来，取个平均值，然后赋值给窗口中心的那个像素。

举个例子，你有一块3x3的区域，像素值分别是：

10	12	11
9	15	13
8	14	12

平均值 = (10+12+11+9+15+13+8+14+12) / 9 = 104 / 9 ≈ 11.56。中心像素就变成了12（四舍五入）。

我在项目中遇到过一个问题：用均值滤波去噪，结果图像边缘变得模糊了。为什么呢？因为均值滤波把边缘的突变也「平均」掉了。说白了，它一视同仁，不分你我。

3.2 高斯滤波：带权重的平滑

高斯滤波和均值滤波的区别在哪？

均值滤波是「平均主义」，窗口内每个像素的权重都一样。高斯滤波则不同，它认为离中心越近的像素，应该越重要。权重按照高斯分布（也就是正态分布）来分配。

为什么会这样？因为自然界的噪声，很多都服从高斯分布。用高斯滤波去处理，理论上更科学。

我记得有一次做工业检测，产品表面有细微的纹理噪声。均值滤波把纹理细节也抹掉了，导致检测失败。换成高斯滤波后，噪声去掉了，纹理细节保留得还不错。

高斯滤波的权重计算，依赖于一个参数——σ（标准差）。σ越大，权重分布越平缓，平滑效果越强；σ越小，权重越集中在中心，平滑效果越弱。

OpenCV里实现高斯滤波，代码很简单：

import cv2
import numpy as np

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

# 高斯滤波，窗口大小5x5，sigma=1.0
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.0)

# 显示结果
cv2.imshow('Gaussian Blur', gaussian_blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.3 中值滤波：对抗椒盐噪声的利器

中值滤波，名字就暴露了它的原理——取窗口内所有像素的中位数，而不是平均值。

你想想看，如果图像上有一些「椒盐噪声」（就是那种黑白点），均值滤波会把噪声扩散到周围像素，导致一片区域都变脏。但中值滤波不一样，它直接忽略掉极端值，只取中间的那个数。

我曾经处理过一张监控摄像头拍的照片，因为传输线路干扰，图像上全是黑白噪点。均值滤波和高斯滤波都试了，效果很差。最后用中值滤波，窗口大小3x3，一遍就干净了。

中值滤波的窗口大小，我建议用奇数。3x3、5x5、7x7都行。窗口越大，去噪能力越强，但图像细节损失也越大。

# 中值滤波，窗口大小5x5
median_blur = cv2.medianBlur(img, 5)

# 显示结果
cv2.imshow('Median Blur', median_blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.4 三种滤波的对比与选择

说了这么多，到底该用哪个？我整理了一个表格，方便你对比：

滤波类型	原理	适用场景	缺点
均值滤波	取窗口内平均值	噪声均匀、对边缘要求不高	边缘模糊严重
高斯滤波	取加权平均值（高斯权重）	高斯噪声、需要保留一定细节	计算量稍大
中值滤波	取窗口内中位数	椒盐噪声、脉冲噪声	对高斯噪声效果一般

我个人习惯是：

• 看到图像上有明显的黑白点（椒盐噪声），直接上中值滤波。
• 如果噪声比较均匀，像是一层薄雾（高斯噪声），用高斯滤波。
• 如果只是简单去噪，对效果要求不高，均值滤波也能凑合。

3.5 实战：综合应用

最后，咱们来个完整的例子。假设你有一张带噪声的图像，想看看三种滤波的效果对比：

import cv2
import numpy as np

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

# 均值滤波
mean_blur = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.0)

# 中值滤波
median_blur = cv2.medianBlur(img, 5)

# 拼接显示
result = np.hstack((img, mean_blur, gaussian_blur, median_blur))
cv2.imshow('Original | Mean | Gaussian | Median', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

嗯，到这里，三种滤波的原理和实现就讲完了。记住一句话：没有最好的滤波，只有最合适的滤波。多试几次，你就能找到感觉。

下一章，咱们聊聊更高级的滤波技术——双边滤波和导向滤波。到时候你会发现，原来滤波还能这么玩。