2、空间域滤波：均值滤波、高斯滤波原理与C++实现，双边滤波原理与参数调优

各位同学，欢迎来到第二章。

上一章我们聊了噪声模型，知道了对手长什么样。这一章，咱们直接上家伙——空间域滤波。说白了，就是在图像本身上做文章，用像素周围的邻居来“拉”它一把，把噪声抹平。

我个人习惯把空间域滤波比作“和稀泥”。噪声点太突兀，我们就把它和周围的点搅和在一起，颜色就均匀了。但怎么搅，搅多大范围，这里面的门道可深了。

2.1 均值滤波：最朴素的“和稀泥”

均值滤波，思路简单到令人发指。你想想看，一个噪声点，它的像素值跟周围格格不入。那我干脆把周围一圈像素的平均值算出来，替换掉这个点，不就完事了？

嗯，就是这么回事。

2.1.1 原理与核

我们用一个“窗口”在图像上滑动。这个窗口，专业术语叫“核”（Kernel）或“模板”。比如一个3x3的核：

1/9  1/9  1/9
1/9  1/9  1/9
1/9  1/9  1/9

这个核里的每个值都是1/9。当它盖在图像上时，就把核下面9个像素的值加起来，乘以1/9，得到平均值。这个平均值，就是输出图像对应位置的像素值。

公式很简单：

g(x, y) = (1 / (m * n)) * Σ f(i, j)

其中m*n是核的大小，f(i,j)是核覆盖的原始像素。

2.1.2 C++实现（OpenCV风格）

我直接给你看一个最朴素的实现，不用OpenCV的blur函数，我们自己写一遍，你才能理解底层在干什么。

#include <opencv2/opencv.hpp>
#include <iostream>

void meanFilter(const cv::Mat& src, cv::Mat& dst, int kernelSize) {
    // 确保核大小为奇数
    if (kernelSize % 2 == 0) {
        kernelSize++;
    }
    
    dst = src.clone();
    int border = kernelSize / 2;
    
    // 边界处理：我习惯用复制边界，简单粗暴
    cv::Mat padded;
    cv::copyMakeBorder(src, padded, border, border, border, border, cv::BORDER_REPLICATE);
    
    for (int y = border; y < src.rows + border; ++y) {
        for (int x = border; x < src.cols + border; ++x) {
            float sum = 0.0f;
            // 累加核覆盖区域
            for (int ky = -border; ky <= border; ++ky) {
                for (int kx = -border; kx <= border; ++kx) {
                    sum += padded.at<uchar>(y + ky, x + kx);
                }
            }
            // 取平均
            dst.at<uchar>(y - border, x - border) = 
                static_cast<uchar>(sum / (kernelSize * kernelSize));
        }
    }
}

int main() {
    cv::Mat img = cv::imread("noisy_image.jpg", cv::IMREAD_GRAYSCALE);
    cv::Mat result;
    meanFilter(img, result, 5); // 5x5均值滤波
    cv::imshow("Original", img);
    cv::imshow("Mean Filtered", result);
    cv::waitKey(0);
    return 0;
}

2.2 高斯滤波：带权重的“和稀泥”

均值滤波有个硬伤：窗口中心点和边缘点贡献一样大。这合理吗？不合理。你想想看，离中心越近的像素，理论上跟中心点关系越密切。高斯滤波就是来解决这个问题的。

2.2.1 原理与高斯核

高斯滤波用高斯函数来生成核的权重。离中心越近，权重越大；越远，权重越小。这个权重分布，就是二维高斯函数：

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

这里的σ（sigma）是关键参数。σ越大，曲线越平坦，权重分布越均匀，效果就越接近均值滤波。σ越小，中心权重越大，边缘保留得越好。

一个3x3的高斯核（σ≈0.85）长这样：

1/16  2/16  1/16
2/16  4/16  2/16
1/16  2/16  1/16

你看，中心点的权重是4/16，是角点的4倍。这就比均值滤波合理多了。

2.2.2 C++实现

生成高斯核是关键。我习惯先算好核，再卷积。

cv::Mat createGaussianKernel(int size, double sigma) {
    cv::Mat kernel(size, size, CV_64F);
    int center = size / 2;
    double sum = 0.0;
    
    for (int y = 0; y < size; ++y) {
        for (int x = 0; x < size; ++x) {
            int dx = x - center;
            int dy = y - center;
            double value = exp(-(dx*dx + dy*dy) / (2 * sigma * sigma));
            kernel.at<double>(y, x) = value;
            sum += value;
        }
    }
    
    // 归一化，确保所有权重加起来为1
    kernel /= sum;
    return kernel;
}

void gaussianFilter(const cv::Mat& src, cv::Mat& dst, int kernelSize, double sigma) {
    cv::Mat kernel = createGaussianKernel(kernelSize, sigma);
    cv::filter2D(src, dst, -1, kernel);
}

// 使用示例
// cv::Mat result;
// gaussianFilter(img, result, 5, 1.0);

2.3 双边滤波：既要又要的“和稀泥”

均值和高斯滤波，本质上都是低通滤波器。它们把噪声和边缘一起抹掉了。那有没有一种滤波，能只抹噪声、不碰边缘？

有，双边滤波（Bilateral Filter）。

2.3.1 原理：空间域 + 值域

双边滤波的核心思想是：只有像素值相近的邻居，才参与加权平均。

它有两个权重：

• 空间权重（Spatial Weight）：跟高斯滤波一样，距离越近权重越大。
• 值域权重（Range Weight）：像素值越接近，权重越大。

公式长这样：

g(i,j) = (1/Wp) * Σ f(k,l) * w_s * w_r

其中：

• w_s = exp(-((i-k)² + (j-l)²) / (2σ_s²)) —— 空间高斯
• w_r = exp(-(f(i,j) - f(k,l))² / (2σ_r²)) —— 值域高斯
• Wp 是归一化系数

你想想看，在边缘处，像素值突变。值域权重会让边缘另一侧的像素权重变得极小，所以边缘被保留下来了。而在平坦区域，像素值相近，值域权重接近1，就退化成高斯滤波。

2.3.2 参数调优：σ_s 和 σ_r 的艺术

双边滤波有两个核心参数，调起来很讲究：

参数	含义	调大	调小	我的建议
σ_s	空间标准差	平滑范围更大，图像更模糊	只影响小范围，去噪弱	一般取5-20，跟图像尺寸有关
σ_r	值域标准差	更多像素参与加权，边缘变弱	只保留极相似像素，去噪弱	一般取10-50（对8位图）

2.3.3 调优实战经验

我总结了一套调参的“三步走”策略：

1. 先定σ_s：根据噪声的“颗粒大小”来定。噪声颗粒大，σ_s就大一点。一般从5开始试。
2. 再定σ_r：根据图像的对比度来定。对比度大的场景，σ_r可以大一些。一般从20开始试。
3. 微调：如果边缘被磨平了，说明σ_r太大，减小它。如果噪声没去掉，说明σ_s太小或σ_r太小。

举个例子。我做过一个手机夜景去噪的项目。夜景照片噪声大，但边缘细节（比如建筑轮廓）必须保留。我试了多组参数：

• σ_s=10, σ_r=25：效果不错，但天空区域有轻微色块
• σ_s=15, σ_r=35：色块没了，但建筑边缘有点软
• 最终选了σ_s=12, σ_r=30：平衡了去噪和保边

好了，这一章就到这里。空间域滤波是ISP图像处理的基础，也是你理解后续频域滤波、非局部均值滤波的基石。回去把代码跑一遍，调一调参数，感受一下不同参数对结果的影响。下一章，我们聊聊频域滤波——换个角度看世界。