4、图像滤波与去噪：均值滤波、高斯滤波、中值滤波、双边滤波的原理与对比

各位同学，欢迎来到第四讲。

今天咱们聊聊图像滤波。说白了，滤波就是去噪。你想想看，相机拍出来的照片，或多或少都有噪声。可能是传感器发热产生的，也可能是光线不足导致的。我刚开始做视觉项目时，就被噪声坑过好几次。后来才明白，预处理这步做不好，后面的算法再牛也白搭。

4.1 为什么需要滤波？

图像噪声，本质上就是像素值的随机波动。一个干净的区域，本该是平滑的，结果出现了几个异常亮或暗的点。滤波的目的，就是把这些异常点「抹平」，同时尽量保留图像的真实细节。

嗯，这里要注意：滤波是一把双刃剑。去噪太狠，图像会变模糊；去噪太轻，噪声还在。所以选对滤波方法，是门手艺活。

4.2 均值滤波

均值滤波是最简单的方法。它用一个窗口（比如3x3），计算窗口内所有像素的平均值，然后赋值给中心像素。

import cv2
import numpy as np

# 均值滤波
img = cv2.imread('noisy_image.jpg')
blurred = cv2.blur(img, (3, 3))  # 3x3窗口

我在项目中遇到过一个问题：用均值滤波处理一张夜景照片，结果边缘全糊了。为什么？因为均值滤波对窗口内所有像素一视同仁。边缘处的像素差异很大，一平均，边缘就没了。

4.3 高斯滤波

高斯滤波比均值滤波聪明一点。它不再简单平均，而是根据像素距离中心点的远近，分配不同的权重。离中心越近，权重越大；越远，权重越小。这个权重分布，就是高斯函数。

# 高斯滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1.5)  # 5x5窗口，sigma=1.5

你想想看，高斯滤波其实是在模拟人眼的视觉特性。人看东西时，也是中心清晰、边缘模糊。所以高斯滤波的效果比均值滤波更自然。

我个人习惯在预处理阶段先用高斯滤波。它速度快，效果稳定。但要注意sigma参数。sigma太小，滤波效果不明显；sigma太大，图像会过度模糊。我一般从1.0开始试，根据效果微调。

4.4 中值滤波

中值滤波的思路完全不同。它不再计算平均值，而是取窗口内所有像素的中间值。这招对付椒盐噪声特别有效。

# 中值滤波
median = cv2.medianBlur(img, 5)  # 5x5窗口

椒盐噪声是什么？就是图像上随机出现的白点和黑点。这些点的像素值要么极大，要么极小。如果用均值滤波，这些极端值会把平均值拉偏。但中值滤波不一样，它取中间值，极端值根本影响不到结果。

我记得有一次做文档扫描项目，图片上有大量椒盐噪声。用高斯滤波处理了半天，效果都不理想。换成中值滤波后，噪声瞬间消失，文字边缘还保持得很清晰。那一刻，我真觉得中值滤波是神器。

4.5 双边滤波

双边滤波是这四种方法里最「聪明」的。它同时考虑了两个因素：空间距离和像素值差异。说白了，它只对「长得像」的邻居进行平均。

# 双边滤波
bilateral = cv2.bilateralFilter(img, 9, 75, 75)  # 窗口9，颜色sigma=75，空间sigma=75

双边滤波的厉害之处在于：它能去噪，同时保留边缘。为什么？因为边缘两侧的像素值差异很大，双边滤波会认为它们「不是一类人」，所以不会互相影响。

我在做人脸美化项目时，就用了双边滤波。它能把皮肤上的小瑕疵去掉，同时保留眼睛、嘴巴的轮廓。效果比高斯滤波好太多。

4.6 四种滤波方法对比

好了，四种方法都讲完了。咱们来做个对比，方便你选型。

方法	原理	去噪效果	边缘保留	速度	适用噪声
均值滤波	邻域平均	一般	差	快	高斯噪声
高斯滤波	加权平均	较好	一般	快	高斯噪声
中值滤波	取中值	好（椒盐）	较好	中等	椒盐噪声
双边滤波	空间+值域加权	好	优秀	慢	多种噪声

我个人建议：

• 如果只是简单去噪，用高斯滤波，速度快，效果稳定。
• 如果图像有大量椒盐噪声，果断选中值滤波。
• 如果需要保留边缘，比如人脸、文字，用双边滤波。
• 均值滤波？嗯，我基本不用了。除非是教学演示，或者对速度要求极高。

4.7 实战建议

最后，给你几个实战中的小建议：

1. 先小后大：滤波窗口从3x3开始试，不行再加大。窗口越大，模糊越严重。
2. 组合使用：有时候一种滤波不够，可以先用中值滤波去椒盐噪声，再用高斯滤波平滑一下。
3. 观察效果：不要只看数值指标，要肉眼观察。有些噪声在数值上被去掉了，但图像看起来反而更假。
4. 考虑实时性：如果是视频处理，双边滤波可能扛不住。这时候可以考虑用高斯滤波+边缘检测的替代方案。

好了，这一讲就到这里。滤波是图像预处理的基础，但也是很多问题的根源。我见过太多同学在滤波上栽跟头，希望今天的分享能帮你少走弯路。下一讲，咱们聊聊更高级的滤波方法——导向滤波和自适应滤波。