OpenCV 从零学习 · 第 5 讲：图像滤波与平滑（均值/高斯/中值/双边，去噪到底选哪个）

OpenCV 从零学习 · 第 5 讲：图像滤波与平滑

---

0. 先分清两种噪声（决定你用哪种滤波）

噪声类型	长什么样	该用什么
高斯噪声	整张图细密颗粒、亮度轻微抖动	均值 / 高斯滤波
椒盐噪声（脉冲）	随机出现的纯黑/纯白孤立点	中值滤波 ★

---

1. cv2.blur —— 均值滤波（最简单）

函数签名

dst = cv2.blur(src, ksize)
# ksize: 核大小 (宽, 高), 如 (5, 5); 越大越平滑也越糊

原理：把当前像素和它周围 ksize 窗口内的所有像素取平均值替换自己。

smooth = cv2.blur(img, (5, 5))

---

2. cv2.boxFilter —— 盒式滤波（了解即可）

cv2.boxFilter(src, ddepth, ksize, normalize=True)

当 normalize=True 时，它和 cv2.blur 完全等价（就是做平均）。normalize=False 时不除以像素数、直接求和，uint8 会溢出成乱码，一般不用。记住"cv2.blur 就是归一化的盒式滤波"即可。

---

3. cv2.GaussianBlur —— 高斯滤波（最常用）

函数签名

dst = cv2.GaussianBlur(src, ksize, sigmaX)
# ksize : (宽, 高), 必须是正奇数! 如 (3,3) (5,5)
# sigmaX: 高斯核在 X 方向的标准差; 填 0 则由 ksize 自动推算

原理：也是取周围像素平均，但离中心越近权重越大（按高斯分布），所以结果比均值更自然、不那么"平"。

denoised = cv2.GaussianBlur(img, (5, 5), 0)   # sigmaX=0 → 由 (5,5) 自动算标准差

---

4. cv2.medianBlur —— 中值滤波（椒盐噪声克星）

函数签名

dst = cv2.medianBlur(src, ksize)
# ksize: 单个奇数整数, 如 3 / 5 / 7 (注意: 不是元组!)

原理：把窗口内所有像素值排序取中间值替换中心像素。因为黑/白孤立点的数值是极值，排序后落在两头，中值直接把它们"踢出"，因此能消除椒盐点，同时基本不模糊边缘。

clean = cv2.medianBlur(img, 5)     # ksize 是单个奇数, 不是 (5,5)

---

5. cv2.bilateralFilter —— 双边滤波（去噪又保边）

函数签名

dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)
# d         : 邻域直径; 越大越慢, 一般 ≤ 9 (大图设 5 即可)
# sigmaColor: 颜色差多大算"同一类"; 越小越只平滑很接近的颜色
# sigmaSpace: 空间上多远算邻居; 越大越远的像素也参与平滑

原理：同时考虑两个权重——①空间近不近（和普通高斯一样）；②颜色像不像。跨边缘时两侧颜色差很大，第②个权重就很小，于是边缘不被平滑，达到"去噪同时保边"。

skin = cv2.bilateralFilter(face, 9, 75, 75)

---

6. 对比实验：同一张椒盐噪图，三种滤波差多少

下面这段代码可复现——造一张 5% 椒盐点的图，再分别用三种滤波，肉眼就能看出中值的优势：

import numpy as np, cv2

# 造椒盐噪声: 随机 5% 像素变成纯白点
sp = img.copy()
mask = np.random.rand(*img.shape[:2]) < 0.05
sp[mask] = 255

blur_c   = cv2.blur(sp, (5, 5))            # 黑/白点被糊成灰斑, 仍在
gauss_c  = cv2.GaussianBlur(sp, (5, 5), 0) # 同样糊成灰斑
median_c = cv2.medianBlur(sp, 5)           # 中值: 黑白点直接消失, 边缘还在

# 若是高斯噪声(细密颗粒), 则反过来: 中值帮助不大, 高斯更合适
g = img.astype(np.float32)
g += np.random.normal(0, 25, g.shape)      # 叠加高斯噪声, 标准差 25
g = np.clip(g, 0, 255).astype(np.uint8)
g_gauss  = cv2.GaussianBlur(g, (5, 5), 0)  # 合适
g_median = cv2.medianBlur(g, 5)            # 对高斯噪声帮助有限

滤波	去高斯噪声	去椒盐噪声	保边	速度
blur 均值	一般	差	差(糊)	快
GaussianBlur 高斯	好	一般	差(糊)	快
medianBlur 中值	一般	最好	好	中
bilateral 双边	好	好	最好	慢

---

7. 本讲要点清单

• 均值 cv2.blur(src, (w,h))：简单平均，会糊整图、对椒盐点无效。
• boxFilter 归一化后等价于 blur，一般用不到。
• 高斯 cv2.GaussianBlur(src, (w,h), sigmaX)：ksize 必须奇数；去高斯噪声首选，也是边缘检测前预处理标配。
• 中值 cv2.medianBlur(src, ksize)：ksize 是整数不是元组；椒盐噪声克星，去点又保边。
• 双边 cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)：去噪且保边（磨皮核心），但慢，d 别太大。
• 选型口诀：高斯噪声→高斯；椒盐点→中值；既要去噪又要保边→双边。