4、图像滤波去噪：均值滤波、高斯滤波、中值滤波、双边滤波的原理与对比
图像滤波，说白了就是给图像「洗个澡」，把那些碍眼的噪点洗掉。我刚开始接触OpenCV时，觉得滤波不就是模糊一下嘛，有啥好学的？后来在工业检测项目里被噪点坑惨了，才老老实实回来补课。
今天咱们一口气聊透四种最常用的滤波方法：均值、高斯、中值、双边。它们各有脾气，用对了是神器，用错了就是灾难。
4.1 均值滤波：简单粗暴的「平均主义」
均值滤波的原理，你想想看，就是拿一个窗口在图像上滑动，把窗口内所有像素的亮度值加起来求个平均，然后用这个平均值替换窗口中心的像素值。
举个例子，一个3×3的窗口，里面有9个像素值，加起来除以9，就是新像素值。代码实现也特别直白：
import cv2
import numpy as np
img = cv2.imread('noisy_image.jpg')
# 均值滤波，核大小为5×5
blurred = cv2.blur(img, (5, 5))
cv2.imshow('Mean Filter', blurred)
cv2.waitKey(0)嗯，这里要注意：cv2.blur()的第二个参数是元组，表示核的宽高。一般用奇数，比如3、5、7。为什么？因为奇数才有中心像素点。
4.2 高斯滤波：带权重的「温柔平均」
均值滤波有个问题——它把窗口内所有像素看得一样重。但你想啊，离中心越远的像素，对中心点的影响应该越小才对。高斯滤波就是来解决这个问题的。
它用高斯函数生成一个权重矩阵，离中心越近权重越大，离中心越远权重越小。然后拿这个权重矩阵去和图像做卷积。说白了，就是「加权平均」。
# 高斯滤波，核大小5×5，标准差1.5
gaussian = cv2.GaussianBlur(img, (5, 5), 1.5)
cv2.imshow('Gaussian Filter', gaussian)
cv2.waitKey(0)第三个参数是标准差σ。σ越大，图像越模糊。我个人习惯先设σ=1.0，效果不够再加。为什么？因为σ太大，图像会像蒙了一层雾。
4.3 中值滤波：专治「椒盐噪声」的利器
椒盐噪声，就是图像上随机出现的白点和黑点，像撒了盐和胡椒。均值滤波和高斯滤波对这种噪声效果很差，因为噪声点的值太极端，一平均反而污染了周围像素。
中值滤波的思路完全不同——它把窗口内所有像素值排序，取中间那个值作为新像素值。你想想看，如果窗口里有个白点（255），周围都是正常值（比如100左右），排序后中间值大概率还是100左右，白点就被干掉了。
# 中值滤波，核大小为5
median = cv2.medianBlur(img, 5)
cv2.imshow('Median Filter', median)
cv2.waitKey(0)注意参数是整数，不是元组。5表示5×5的窗口。我在项目中遇到过一张被椒盐噪声严重污染的X光片，均值滤波和高斯滤波都救不回来，中值滤波一上，效果立竿见影。
4.4 双边滤波：既要降噪又要保边
前面三种滤波都有个通病——它们会模糊边缘。双边滤波就是来解决这个矛盾的。它的核心思想是：只有「空间上接近」且「像素值也接近」的像素才参与平均。
什么意思呢？比如你有一张照片，背景是墙，前景是人的脸。墙和脸的边界处，像素值差异很大。双边滤波在边界处会「聪明地」只取同一边的像素来平均，不会把墙和脸混在一起。
# 双边滤波，d=9，sigmaColor=75，sigmaSpace=75
bilateral = cv2.bilateralFilter(img, 9, 75, 75)
cv2.imshow('Bilateral Filter', bilateral)
cv2.waitKey(0)参数说明：d是窗口直径，sigmaColor是颜色空间的标准差，sigmaSpace是坐标空间的标准差。这两个σ值越大，滤波效果越强。
4.5 四种滤波对比：什么时候用哪个？
我整理了一张对比表，方便你快速决策：
| 滤波方法 | 原理 | 适用噪声 | 边缘保留 | 计算速度 | 推荐场景 |
|---|---|---|---|---|---|
| 均值滤波 | 窗口内像素平均 | 高斯噪声（一般） | 差 | 快 | 快速预览、噪声较轻 |
| 高斯滤波 | 加权平均（高斯权重） | 高斯噪声（好） | 一般 | 较快 | 通用降噪、预处理 |
| 中值滤波 | 窗口内像素取中值 | 椒盐噪声（极好） | 较好 | 中等 | 椒盐噪声、扫描文档 |
| 双边滤波 | 空间+颜色双权重 | 各类噪声（好） | 极好 | 慢 | 美颜、保边降噪 |
4.6 实战建议：我的选择逻辑
在实际项目中，我一般按这个顺序来选：
- 先看噪声类型：如果是椒盐噪声，直接上中值滤波，别犹豫。
- 再看实时性要求：如果是实时视频，用高斯滤波，别碰双边滤波。
- 最后看边缘重要性：如果后续要做边缘检测或特征提取，优先考虑双边滤波或中值滤波。
我记得有一次做车牌识别，图像里有轻微的椒盐噪声。我一开始用高斯滤波，结果车牌字符的边缘被模糊了，识别率下降。换成中值滤波后，噪声没了，字符边缘也清晰，识别率直接提升15%。
好了，四种滤波的原理和对比就聊到这儿。下一章咱们会讲形态学操作，到时候你会发现，滤波和形态学结合起来，能解决很多实际问题。