3. 中值滤波：基本原理、一维中值滤波、二维中值滤波、边缘保持特性
各位同学，咱们今天聊聊中值滤波。说实话，这玩意儿在我刚入行那会儿，总觉得它就是个「排序取中间值」的简单操作，没啥技术含量。直到有一次在工业现场处理一个压力传感器的数据，被噪声折磨得够呛，才真正体会到它的妙处。
中值滤波的核心思想，说白了就是一句话：用邻域内所有数值的中位数，来代替当前点的值。你想想看，如果某个数据点是个野值（比如突然跳变），它要么极大要么极小，排序之后肯定被挤到边上，根本影响不到中间那个数。这就是它抗脉冲噪声的底气所在。
3.1 基本原理
咱们先抛开代码，用大白话理解一下。假设你有一串数字：
原始数据： [3, 2, 8, 5, 4]现在要对第3个数（也就是8）做中值滤波，窗口大小取3。那么窗口覆盖的是 [2, 8, 5]，排序后变成 [2, 5, 8]，中位数是5。所以8就被替换成了5。你看，那个突兀的8就被「拉」回来了。
我个人习惯把中值滤波理解成一种「投票机制」——邻居们投票决定当前点该是多少，而那个最极端的意见（野值）永远拿不到多数票。嗯，这个比喻虽然不太严谨，但初学者一听就懂。
关键区别：均值滤波是「平均主义」，所有邻居一起分摊噪声；中值滤波是「少数服从多数」，直接忽略极端值。所以中值滤波对椒盐噪声（也就是那种黑白点噪声）效果极好，但对高斯噪声（那种均匀分布的随机噪声）效果一般。
3.2 一维中值滤波
一维中值滤波最常见的地方，就是处理各种时序信号。比如温度传感器、压力传感器、加速度计的数据流。我在做电机振动监测项目时，就经常用它来剔除那些因为电磁干扰产生的毛刺。
实现起来其实很简单，核心步骤就三步：
- 开窗：以当前点为中心，左右各取N个点（窗口大小通常为奇数，比如3、5、7）
- 排序：把这2N+1个数排个序
- 替换：用排序后的中间值替换当前点
下面是一个C语言实现的示例，我在嵌入式项目里经常这么写：
// 一维中值滤波，窗口大小固定为5
uint16_t median_filter_1d(uint16_t *buffer, uint8_t len) {
uint16_t temp[5];
uint8_t i, j;
uint16_t tmp;
// 拷贝数据到临时数组
for(i = 0; i < 5; i++) {
temp[i] = buffer[i];
}
// 冒泡排序（窗口小，够用）
for(i = 0; i < 4; i++) {
for(j = 0; j < 4 - i; j++) {
if(temp[j] > temp[j+1]) {
tmp = temp[j];
temp[j] = temp[j+1];
temp[j+1] = tmp;
}
}
}
// 返回中位数（索引2）
return temp[2];
}小技巧：在实际项目中，我一般不会每次都重新排序整个窗口。因为窗口滑动时，只有新进来的数据和被踢出去的数据发生了变化。用「插入排序」或者「双堆维护」的方式，可以把计算量从O(n log n)降到O(log n)。不过对于窗口小于9的情况，直接排序反而更简单，代码也更容易维护。
我曾经在一个电池管理系统中遇到过一个问题：电流采样值偶尔会跳变到正常值的10倍以上，导致SOC（荷电状态）估算直接崩掉。后来加了一级中值滤波，窗口取5，所有毛刺都被完美过滤。嗯，这里要注意：窗口不能太大，否则真实信号的变化也会被抹平。
3.3 二维中值滤波
二维中值滤波，说白了就是把一维的思路搬到图像上。每个像素点不再只看左右邻居，而是看它周围一个矩形区域（比如3x3、5x5）内的所有像素。排序后取中位数，替换当前像素。
你想想看，一张照片上如果有个坏点（比如CCD传感器上的死像素），它在图像上就是一个孤立的亮点或暗点。二维中值滤波扫过去，这个坏点就会被周围正常的像素值「淹没」掉。
下面是一个简单的二维中值滤波实现，窗口大小为3x3：
// 二维中值滤波，3x3窗口
void median_filter_2d(uint8_t *src, uint8_t *dst, uint16_t width, uint16_t height) {
uint16_t x, y, i, j, k;
uint16_t temp[9];
uint16_t tmp;
for(y = 1; y < height - 1; y++) {
for(x = 1; x < width - 1; x++) {
// 收集3x3邻域的像素值
k = 0;
for(j = -1; j <= 1; j++) {
for(i = -1; i <= 1; i++) {
temp[k++] = src[(y + j) * width + (x + i)];
}
}
// 排序（简单冒泡）
for(i = 0; i < 8; i++) {
for(j = 0; j < 8 - i; j++) {
if(temp[j] > temp[j+1]) {
tmp = temp[j];
temp[j] = temp[j+1];
temp[j+1] = tmp;
}
}
}
// 中位数赋值给目标像素
dst[y * width + x] = temp[4];
}
}
}边界处理：图像边缘的像素没有完整的3x3邻域。常见的做法有：不处理边缘（保持原值）、镜像扩展、或者复制边缘像素。我个人习惯用镜像扩展，因为它不会引入额外的边界伪影。你想想看，如果直接复制边缘像素，相当于在边界处人为制造了重复纹理，滤波后容易出现「接缝」。
3.4 边缘保持特性
这是中值滤波最让我佩服的地方。均值滤波会把边缘模糊掉——因为边缘两侧的像素值差异大，一平均就把锐利的边界变成了平滑过渡。但中值滤波不会。
为什么会这样？
咱们来做个思想实验。假设图像上有一条垂直的边缘：左边全是黑色（0），右边全是白色（255）。现在取一个3x3的窗口，窗口正好跨在边缘上。窗口内的像素值可能是：
0 0 255
0 0 255
0 0 255排序后：0, 0, 0, 0, 0, 0, 255, 255, 255。中位数是0（第5个数）。所以边缘上的像素被替换成了0（黑色），边缘被保留了下来。而均值滤波会把0和255平均，得到85左右的灰色，边缘就模糊了。
核心结论：中值滤波在去除噪声的同时，能很好地保持图像的边缘细节。这是它区别于均值滤波的最大优势。我在做工业视觉检测时，经常先用中值滤波去噪，再用Canny算子提取边缘，效果比均值滤波+边缘检测好得多。
不过，凡事都有两面性。中值滤波对「细线」和「尖角」这类细节不太友好。比如图像上有一根1像素宽的线条，中值滤波可能会把它当成噪声给抹掉。我记得有一次处理PCB板上的划痕检测，中值滤波把细小的划痕也给滤掉了，后来不得不改用自适应中值滤波，根据局部方差动态调整窗口大小。
最后总结一下：
| 特性 | 中值滤波 | 均值滤波 |
|---|---|---|
| 脉冲噪声抑制 | 优秀 | 一般 |
| 高斯噪声抑制 | 一般 | 良好 |
| 边缘保持 | 优秀 | 差 |
| 计算复杂度 | 较高（需排序） | 低 |
| 适用场景 | 椒盐噪声、传感器毛刺 | 平滑、降噪 |
嗯，中值滤波就聊到这儿。下一节咱们讲讲更高级的滤波方法——卡尔曼滤波，那玩意儿才是真正能「预测未来」的滤波器。