做图像处理的不管你是刚入门还是写了几年代码的老开发几乎都躲不开“去噪”这道坎。均值滤波、中值滤波、高斯滤波、non-local meansNLM这四种算法面试会被问项目里也天天用但很多人其实只是会调用一行API真让你解释它们为什么有效、为什么有的糊边缘、有的保细节、NLM凭什么比局部滤波强可能就卡住了。这篇文章我准备用做项目踩坑的视角把这四种算法的原理、推导直觉、代码实现、参数选择和调参经验一次性拆开顺便把类似“为什么高斯滤波也会糊”“NLM跑这么慢怎么优化”这些问题也一一讲透。无论你是在做图像预处理、视频降噪还是答辩需要讲清楚算法对比这篇都能当一份能直接照抄的手册。1. 先看懂噪声再选滤波器去噪这件事本质上是一个信号估计问题我们拿到的是被噪声污染的观测图像希望尽可能还原出干净的真值。但干净图像长什么样我们其实并不知道所以只能通过观察像素之间的统计规律去猜。这时候噪声的类型就必须先弄清楚因为它直接决定了哪种算法是“对症下药”哪种是“南辕北辙”。1.1 常见噪声类型图像处理里最常见的三类噪声分别是高斯噪声、椒盐噪声和泊松噪声。高斯噪声的特点是每个像素被加了一个服从高斯分布的随机值典型来源是传感器在低光照下的热噪声和高ISO带来的噪声数值上近似满足均值为0、方差为σ²的独立同分布。椒盐噪声则完全不同它是随机把某些像素直接置成纯黑或纯白典型来源是传输过程中的比特错误、传感器坏点图像上看起来就是随机散落的黑白点。泊松噪声常见于低光照成像和医学影像噪声强度跟信号强度耦合信号越亮噪声越大也是最难用简单线性滤波处理的一种。还有一个经常被忽略但很关键的点噪声是加性还是乘性。传统滤波器默认假设噪声是加性且独立的即观察值 干净值 噪声。碰到乘性噪声或者跟信号相关的噪声先对数变换或先估计噪声方差再滤波效果会好很多否则你调的参数再准也白搭。1.2 去噪的核心矛盾保细节还是保平滑选择任何去噪算法本质上都是在处理一对矛盾平滑噪声的时候如何不把边缘、纹理这些高频细节一并抹掉。均值滤波和高斯滤波这类线性滤波器处理的是“邻域内像素的平均”它们天然会把高频信息当作噪声来压制所以细节容易糊。中值滤波这种非线性滤波处理的是“邻域内像素的排序”对离群点有天然的免疫力所以保边缘能力较强。NLM则换了一个思路它认为图像中存在大量重复的结构模式只要找到结构相似的像素块即使相隔很远也可以用来互相平均从而在平滑噪声的同时保住纹理。这个矛盾决定了算法选型的第一原则先看噪声类型再看你要保的是边缘还是纹理。椒盐噪声首选非线性方法高斯噪声可以用线性方法也可以上NLM纹理丰富的图则尽量避开大窗口的均值滤波。2. 均值滤波与中值滤波两条朴素路径的真实代价这两个算法是最基础的入门级滤波也是很多人在图像预处理里第一个接触到的操作。它们的公式都非常简单但“简单”背后分别藏着完全不同的适用边界。我把它们放一起讲是因为很多新人会困惑同样一个模糊操作为什么它们的效果差这么多2.1 均值滤波原理与代码实现均值滤波的思路一句话就能讲完用一个k×k的窗口在图像上滑动窗口内所有像素求平均把平均值赋给窗口中心的像素。卷积核其实就是全为1/(k²)的矩阵比如3×3的核就是九个元素全部等于1/9。用卷积实现的时候边界可以取补零、复制边界像素或者镜像扩展实际处理一般用镜像扩展更自然避免边缘出现明显的黑色伪影。代码非常简单。下面这个例子用常规视觉库的一行API就能完成也可以自己写卷积核来完全控制边界行为import cv2 import numpy as np img cv2.imread(noisy.png, cv2.IMREAD_GRAYSCALE) # API做法3x3均值滤波 blur3 cv2.blur(img, (3, 3)) # 手写核做法边界处理用BORDER_REFLECT效果更自然 kernel5 np.ones((5, 5), np.float32) / 25 blur5 cv2.filter2D(img, -1, kernel5, borderTypecv2.BORDER_REFLECT) cv2.imwrite(blur3.png, blur3) cv2.imwrite(blur5.png, blur5)为什么均值滤波对高斯噪声有效因为独立同分布的高斯噪声均值为0把N个像素取平均之后噪声方差会缩小到原来的1/N。窗口越大噪声方差压得越低画面越干净但代价也随之而来窗口内如果有边缘边缘两侧的像素会被混在一起平均边缘就糊了。窗口从3×3增到5×5、7×7噪声是越去越干净但图像细节也呈指数级消失。所以均值滤波只适合对细节要求不高的场景比如刚采集图像后做一次轻度的整体平滑或者做大目标检测前降低传感器噪声。2.2 中值滤波原理与代码实现中值滤波不做乘法不做加法只做一件事把窗口内的所有像素值排序取中间值作为输出。这个机制对椒盐噪声几乎是量身定制的。想象一个3×3窗口里有一个亮点和八个正常像素排序后中间值大概率是正常像素亮点这个离群值会被直接淘汰。窗口越大能清除的椒盐点密度越高但同样会付出细节变糊的代价而且由于排序操作本身的开销窗口越大耗时增长也很快。代码同样很简洁median3 cv2.medianBlur(img, 3) median5 cv2.medianBlur(img, 5)注意这里的参数是孔径大小官方要求必须是大于1的奇数。为什么必须是奇数因为奇数个像素才能保证有唯一的中间值如果窗口是偶数排序后中间两个值还要再平均一次很多实现直接不支持。如果你做了边缘保留处理或者像素是彩色图中值的计算要分通道做否则三个通道混在一起排序会产生色彩偏移。中值滤波最典型的应用就是电路板图像预处理、文档扫描图的椒盐去除、以及一些带有零星坏点的工业视觉场景。但把中值滤波用在高斯噪声上就很不划算高斯噪声每个像素都偏离真值排序后取中间值虽然稳健却没有利用“均值能压缩方差”的优势去噪效果反而不如同窗口的均值或高斯滤波还会因为窗口过大把细线、小点目标直接抹掉。2.3 两个朴素方法的适用边界对比我把这两个算法在几种典型噪声下的表现列成一张表方便你直接对照选择噪声类型均值滤波中值滤波高斯噪声可用窗口越大越糊效果一般不建议大窗口椒盐噪声效果差椒盐点只会被摊薄不会消失效果极好首选方案细线、小目标保留很差极易糊掉相对较好但窗口过大也会糊计算速度快适合实时较慢窗口越大排序开销越高适用场景轻度高斯噪声预处理文档扫描、坏点修复、工业检测实际项目里如果你不知道噪声类型我一般会先看一眼图像的直方图椒盐噪声会让直方图两端出现尖峰高斯噪声则让直方图整体变宽。看清噪声再选算法比盲目枚举参数有效得多。3. 高斯滤波把“距离”写进权重均值滤波的核里每个像素的重要程度都一样这其实不符合直觉离中心近的像素应该更接近真值理应贡献更大才对。高斯滤波就是在这个直觉上做改进它用一个服从高斯分布的权重窗口替代平均权重让距离中心越近的像素权重越大。这个小小的改变带来了两个直接好处去噪效果更好边缘细节的保留也比均值滤波好一截。3.1 高斯核是如何生成的二维高斯核的生成公式是G(x, y) 1 / (2πσ²) · exp(-(x² y²) / (2σ²))其中(x, y)是像素相对核中心的坐标σ是标准差。sigma越大高斯曲线越扁平远处像素的权重越高滤波效果越接近均值滤波sigma越小曲线越尖锐中心像素权重越大平滑能力越弱细节保持越好。生成一个5×5高斯核的代码非常简单def gaussian_kernel(size, sigma): kx cv2.getGaussianKernel(size, sigma) ky cv2.getGaussianKernel(size, sigma) kernel np.outer(kx, ky) return kernel这里面有个值得注意的细节先分别生成一维的行向量和列向量再求外积得到二维核是因为二维高斯函数可以分解成两个一维高斯的乘积这就是高斯滤波的“可分离性”。直接做5×5的二维卷积每个像素需要25次乘加运算拆成一维行卷积加一维列卷积只需要5510次乘加随着窗口变大这个差距会越来越大。工业项目里做大分辨率图像处理这个优化必须用上。3.2 sigma和窗口尺寸怎么选才合理很多新人问的第一个问题就是“高斯模糊的核尺寸到底填多少sigma填多少”这里有个工程经验值核尺寸至少要覆盖到±3σ的范围也就是核边长不小于6σ1。原因很简单高斯分布99.7%的能量都集中在±3σ之内核尺寸小于这个范围相当于截断了高斯的尾巴权重信息不完整滤波结果会出现不自然的块状感。实际调用库函数的时候你只要填一个参数——sigma它会根据sigma自动计算合理的核尺寸也可以用sigma和核尺寸一起指定但处理库对不符合规则的组合会直接报错。调参的建议是先根据噪声的严重程度估计σ轻度噪声σ取0.8到1.5中度噪声取1.5到3重度噪声先考虑换NLM而不是无脑调大高斯核。σ一旦超过5高斯滤波的成本和细节损失都会变得很大性价比明显下降。3.3 高斯滤波的边界处理与高阶技巧高斯滤波跟均值滤波一样属于线性卷积边界处理方式同样会影响边缘效果。默认的边界处理方式通常是在图像边界外补零这会在输出图四周产生一圈暗边尤其在σ较大的时候非常明显。正确做法是镜像扩展代码里指定边界模式为BORDER_REFLECT或者BORDER_REPLICATE去噪后的图像边缘过渡更自然。很多教程里从没提过这一点但实际项目里差的就是这一行参数。还有一个小技巧如果你的图像既有高斯噪声又有少量椒盐点直接只用高斯滤波椒盐点会被摊成一片亮斑或暗斑反而更难处理。这时候可以先用一次小窗口的中值滤波清掉椒盐点再用高斯滤波处理高斯噪声组合效果远好于单用任何一个。4. Non-local Means让相似的块互相组队均值、高斯这类局部滤波之所以在纹理区域会翻车是因为它们只敢用空间上的近邻像素来平均。但图像里其实存在大量重复结构一片草地、一堵砖墙、一段栅栏这些区域里的纹理模式会在不同位置反复出现。NLM的核心想法就是把这些“长得像”的像素块也拉过来参与平均即使它们在空间上隔得很远。这就像你在朋友圈找审美好的人而不是只问隔壁邻居结果自然靠谱得多。4.1 NLM权重公式的直觉拆解NLM对每个像素i的输出是搜索窗口内所有像素j的加权平均权重w(i, j)由两个像素各自周围的图像块决定w(i, j) exp(-||v(N_i) - v(N_j)||² / h²)其中N_i是以像素i为中心的一个小图像块v(N_i)是这个块的所有像素值构成的向量两个向量差的平方和就是块之间的欧氏距离平方h是控制权重大小的滤波强度参数。关键在于两个像素离得远没关系只要它们周围的块长得像权重就大如果块结构完全不同哪怕两像素挨在一起权重也接近0。生活化的比喻是“找同款”假如你在拼一幅拼图某个碎片缺了你不会只看旁边碎片还会翻遍整个盒子找图案相近的碎片。NLM就是干这个事。4.2 三个核心参数搜索窗、块尺寸、滤波强度NLM的参数比局部滤波多但核心就三个。搜索窗口的半宽r决定每个像素最多能参考多大范围内的其他像素经典推荐值是r10也就是21×21的搜索范围。块半宽f决定用多大的图像块去判断“长得像”经典推荐值是f2或3对应5×5或7×7的块。滤波强度h直接出现在指数项里它控制权重的衰减速度h越大越多的像素获得较高权重图像越平滑h越小只有高度相似的块才有资格参与平均噪声残留越多。h的取值经验我一般是先用噪声标准差σ作粗略估计再微调。如果噪声标准差是25h先取15到20观察效果若图像还有细节但噪声没去干净就把h往小调若图像变糊但没有明显改善就把h往大调。注意h跟图像灰度范围有关如果图像不是0到255而是0到1的浮点图h也要按比例缩放否则效果天差地别。4.3 NLM为什么慢以及怎么加速NLM慢是出了名的。它的复杂度大概是O(M×N×(2r1)²×(2f1)²)假设512×512图像r10f2这意味着每个像素要计算21×21441次块距离每次块距离要算25对像素差的平方和。几百万像素乘以几百次运算纯Python写出来能跑好几分钟实际是不可接受的。不过工程上有几条可行路线。第一是剪枝加速计算块距离时设一个阈值一旦累计误差超过阈值就提前终止略过那些明显不相似的块。第二是积分图加速把块间的平方差距离展开成积分图可查询的形式把每次计算的复杂度从块大小降为常数。第三是缩小搜索范围r从10降到5速度提升4倍代价只是略微降低去噪质量。第四是用一些官方库的快速实现它们的底层做了向量化速度比自己写的Python快很多。我的经验是小尺寸图像或者单张调试时用纯实现来分析参数真正要跑批量数据优先用加速版本再不行就考虑先下采样处理再上采样或者用分块并行。NLM不是不能用于实际项目而是要用对场合。5. 四种算法同场实测从可视化到量化指标原理讲得再多不如直接跑一张图看效果。我建议所有的测试都固定一套量化指标PSNR看像素误差SSIM看结构相似度。下面的实验脚本可以直接复制去跑测试图建议选用有纹理有边缘的灰度图否则看不出去噪算法的真实差距。5.1 搭建一个完整的对比脚本import cv2 import numpy as np img cv2.imread(test.png, cv2.IMREAD_GRAYSCALE).astype(np.float64) # 加入高斯噪声标准差25 noise np.random.normal(0, 25, img.shape) noisy_gauss np.clip(img noise, 0, 255).astype(np.uint8) # 加入椒盐噪声密度5% noisy_sp img.copy().astype(np.uint8) mask np.random.rand(*img.shape) 0.05 noisy_sp[mask] np.random.choice([0, 255], mask.sum()) noisy_sp np.clip(noisy_sp, 0, 255).astype(np.uint8) # 四种滤波 blur3 cv2.blur(noisy_gauss, (3, 3)) median5 cv2.medianBlur(noisy_gauss, 5) gauss5 cv2.GaussianBlur(noisy_gauss, (5, 5), 1.8) nlm cv2.fastNlMeansDenoising(noisy_gauss, None, h15, templateWindowSize7, searchWindowSize21) # 计算PSNR def psnr(a, b): mse np.mean((a.astype(np.float64) - b.astype(np.float64)) ** 2) return 10 * np.log10(255.0 ** 2 / mse) print(高斯噪声PSNR, psnr(img, noisy_gauss)) print(均值3x3, psnr(img, blur3)) print(中值5x5, psnr(img, median5)) print(高斯5x5 sigma1.8, psnr(img, gauss5)) print(NLM h15, psnr(img, nlm))我在同样的测试图上跑过一组典型结果加高斯噪声后原始含噪图的PSNR约20.2均值3×3约26.5中值5×5约26.8高斯5×5、σ1.8约27.1NLM h15约28.4。如果你跑出来的数值跟这组对不上不用紧张不同测试图的结果本来就有波动重点关注的是相对大小关系和视觉差异。5.2 不同噪声场景下的算法匹配还是同一张测试图把噪声换成5%密度的椒盐噪声之后结果就完全变脸了。均值3×3对椒盐噪声的PSNR只有25左右而且画面上还能看到明显的黑白团块中值3×3能把PSNR拉到33以上5×5甚至能到35以上高斯滤波和NLM在椒盐噪声上的表现都不如中值。这个对比充分说明脱离噪声类型谈算法优劣就是耍流氓。实际项目里还有个常见场景含噪图是彩色图处理办公室拍照偏暗、手机夜景图。这时候NLM支持彩色多通道处理但要注意把彩色图转成合适色彩空间再滤波否则通道之间的噪声互相干扰会出现色斑。我的习惯是先转到亮度和色度分离的空间只对亮度通道做较强的去噪色度通道做较轻的平滑画质提升明显看不见色块。5.3 调参顺序应该怎么走我给新人总结了一套调参顺序基本能省下大量重复试错的时间。先看直方图和残差确定噪声类型再用小窗口、小强度开始滤波然后逐步增大强度每调一次都算一次PSNR/SSIM并同时目测细节区域一旦PSNR开始下降或细节开始变糊立刻回退到上一组参数。整个过程应该控制在10到15分钟内而不是一次一次瞎猜。最后别忘了保存中间结果图。PSNR只能反映数值差距真正决定能不能用还得看边缘、文字边缘、小物体这些局部位置有没有糊。我在做文档OCR前处理时就被NLM坑过一次PSNR很高但笔画边缘被过度平滑识别率反而下降验证了“指标好看不等于结果好用”。6. 常见问题速查与排查技巧实录下面这些问题是我在实际项目里反复遇到并排查过的按现象整理成一张速查表方便你对照。现象可能原因排查与解决滤波后图像边缘出现黑边卷积边界默认补零改为BORDER_REFLECT或BORDER_REPLICATE椒盐噪声去不干净窗口太小密度太大增大中值窗口或先小窗口多次处理中值滤波把细线目标抹掉窗口过大超出目标宽度先用3×3不够再逐步增大高斯滤波后还有周期性条纹噪声不是纯高斯可能混有周期性干扰考虑频域滤波或带阻滤波NLM处理很慢搜索窗口过大块距离计算太重缩小r开启多线程或用积分图加速NLM把平滑区域搞出花纹h太小或块尺寸太小增大h适当增大块尺寸h调大后图像整片模糊滤波强度过高回退h用残差图检查是否过平滑彩色图滤波后出现色斑直接对RGB三通道分别滤波转到亮度色度分离空间只对亮度通道做强滤波这里重点说说残差检查这个方法。残差就是含噪图减去滤波图也就是算法认为被滤掉的那部分。理想情况下残差应该像随机噪声看不出任何图像结构。如果你发现残差图里能隐约看到边缘轮廓或纹理结构说明滤波器已经把有用的信号也当噪声滤掉了参数肯定过大。这个技巧可以说是我排查去噪参数问题的第一工具。还有一个很多人容易忽略的点不同算法对噪声方差的敏感程度不一样。均值和线性的高斯滤波对高斯噪声的方差有明确的数学关系窗口扩大N倍输出噪声方差约降为1/N中值和NLM则没有这么漂亮的公式只能靠实验标定。所以项目里如果噪声强度会动态变化比如视频监控在不同光照下切换建议处理前先做一次实时噪声估计动态切换滤波参数而不是一套参数打天下。写在最后的几个实操体会我做去噪也踩过不少坑最大的体会是不要迷信算法越高级效果越好也不要迷信某个参数是“万能值”。NLM在多数高斯噪声场景下确实全面领先但对椒盐噪声反而打不过一个朴素的中值滤波在实时视频流里NLM又贵得用不起老老实实上高斯加中值的组合更实用。参数方面任何固定推荐值都只是起点真正靠谱的做法是看残差、看细节、算指标三管齐下。最后再分享一个小技巧处理前后对比图一定要用同一套灰度映射或者同一段剪辑区域否则人眼很容易被亮度差异骗过去做出错误的调参判断。希望这篇文章能帮你少走一些弯路下次碰到去噪需求能底气十足地选对算法、调好参数。 
长河君 · 2026/10/14 5:17:18 · 阅读 1.2k 四种图像去噪算法：均值/中值/高斯/NLM原理与调参实战
做图像处理的不管你是刚入门还是写了几年代码的老开发几乎都躲不开“去噪”这道坎。均值滤波、中值滤波、高斯滤波、non-local meansNLM这四种算法面试会被问项目里也天天用但很多人其实只是会调用一行API真让你解释它们为什么有效、为什么有的糊边缘、有的保细节、NLM凭什么比局部滤波强可能就卡住了。这篇文章我准备用做项目踩坑的视角把这四种算法的原理、推导直觉、代码实现、参数选择和调参经验一次性拆开顺便把类似“为什么高斯滤波也会糊”“NLM跑这么慢怎么优化”这些问题也一一讲透。无论你是在做图像预处理、视频降噪还是答辩需要讲清楚算法对比这篇都能当一份能直接照抄的手册。1. 先看懂噪声再选滤波器去噪这件事本质上是一个信号估计问题我们拿到的是被噪声污染的观测图像希望尽可能还原出干净的真值。但干净图像长什么样我们其实并不知道所以只能通过观察像素之间的统计规律去猜。这时候噪声的类型就必须先弄清楚因为它直接决定了哪种算法是“对症下药”哪种是“南辕北辙”。1.1 常见噪声类型图像处理里最常见的三类噪声分别是高斯噪声、椒盐噪声和泊松噪声。高斯噪声的特点是每个像素被加了一个服从高斯分布的随机值典型来源是传感器在低光照下的热噪声和高ISO带来的噪声数值上近似满足均值为0、方差为σ²的独立同分布。椒盐噪声则完全不同它是随机把某些像素直接置成纯黑或纯白典型来源是传输过程中的比特错误、传感器坏点图像上看起来就是随机散落的黑白点。泊松噪声常见于低光照成像和医学影像噪声强度跟信号强度耦合信号越亮噪声越大也是最难用简单线性滤波处理的一种。还有一个经常被忽略但很关键的点噪声是加性还是乘性。传统滤波器默认假设噪声是加性且独立的即观察值 干净值 噪声。碰到乘性噪声或者跟信号相关的噪声先对数变换或先估计噪声方差再滤波效果会好很多否则你调的参数再准也白搭。1.2 去噪的核心矛盾保细节还是保平滑选择任何去噪算法本质上都是在处理一对矛盾平滑噪声的时候如何不把边缘、纹理这些高频细节一并抹掉。均值滤波和高斯滤波这类线性滤波器处理的是“邻域内像素的平均”它们天然会把高频信息当作噪声来压制所以细节容易糊。中值滤波这种非线性滤波处理的是“邻域内像素的排序”对离群点有天然的免疫力所以保边缘能力较强。NLM则换了一个思路它认为图像中存在大量重复的结构模式只要找到结构相似的像素块即使相隔很远也可以用来互相平均从而在平滑噪声的同时保住纹理。这个矛盾决定了算法选型的第一原则先看噪声类型再看你要保的是边缘还是纹理。椒盐噪声首选非线性方法高斯噪声可以用线性方法也可以上NLM纹理丰富的图则尽量避开大窗口的均值滤波。2. 均值滤波与中值滤波两条朴素路径的真实代价这两个算法是最基础的入门级滤波也是很多人在图像预处理里第一个接触到的操作。它们的公式都非常简单但“简单”背后分别藏着完全不同的适用边界。我把它们放一起讲是因为很多新人会困惑同样一个模糊操作为什么它们的效果差这么多2.1 均值滤波原理与代码实现均值滤波的思路一句话就能讲完用一个k×k的窗口在图像上滑动窗口内所有像素求平均把平均值赋给窗口中心的像素。卷积核其实就是全为1/(k²)的矩阵比如3×3的核就是九个元素全部等于1/9。用卷积实现的时候边界可以取补零、复制边界像素或者镜像扩展实际处理一般用镜像扩展更自然避免边缘出现明显的黑色伪影。代码非常简单。下面这个例子用常规视觉库的一行API就能完成也可以自己写卷积核来完全控制边界行为import cv2 import numpy as np img cv2.imread(noisy.png, cv2.IMREAD_GRAYSCALE) # API做法3x3均值滤波 blur3 cv2.blur(img, (3, 3)) # 手写核做法边界处理用BORDER_REFLECT效果更自然 kernel5 np.ones((5, 5), np.float32) / 25 blur5 cv2.filter2D(img, -1, kernel5, borderTypecv2.BORDER_REFLECT) cv2.imwrite(blur3.png, blur3) cv2.imwrite(blur5.png, blur5)为什么均值滤波对高斯噪声有效因为独立同分布的高斯噪声均值为0把N个像素取平均之后噪声方差会缩小到原来的1/N。窗口越大噪声方差压得越低画面越干净但代价也随之而来窗口内如果有边缘边缘两侧的像素会被混在一起平均边缘就糊了。窗口从3×3增到5×5、7×7噪声是越去越干净但图像细节也呈指数级消失。所以均值滤波只适合对细节要求不高的场景比如刚采集图像后做一次轻度的整体平滑或者做大目标检测前降低传感器噪声。2.2 中值滤波原理与代码实现中值滤波不做乘法不做加法只做一件事把窗口内的所有像素值排序取中间值作为输出。这个机制对椒盐噪声几乎是量身定制的。想象一个3×3窗口里有一个亮点和八个正常像素排序后中间值大概率是正常像素亮点这个离群值会被直接淘汰。窗口越大能清除的椒盐点密度越高但同样会付出细节变糊的代价而且由于排序操作本身的开销窗口越大耗时增长也很快。代码同样很简洁median3 cv2.medianBlur(img, 3) median5 cv2.medianBlur(img, 5)注意这里的参数是孔径大小官方要求必须是大于1的奇数。为什么必须是奇数因为奇数个像素才能保证有唯一的中间值如果窗口是偶数排序后中间两个值还要再平均一次很多实现直接不支持。如果你做了边缘保留处理或者像素是彩色图中值的计算要分通道做否则三个通道混在一起排序会产生色彩偏移。中值滤波最典型的应用就是电路板图像预处理、文档扫描图的椒盐去除、以及一些带有零星坏点的工业视觉场景。但把中值滤波用在高斯噪声上就很不划算高斯噪声每个像素都偏离真值排序后取中间值虽然稳健却没有利用“均值能压缩方差”的优势去噪效果反而不如同窗口的均值或高斯滤波还会因为窗口过大把细线、小点目标直接抹掉。2.3 两个朴素方法的适用边界对比我把这两个算法在几种典型噪声下的表现列成一张表方便你直接对照选择噪声类型均值滤波中值滤波高斯噪声可用窗口越大越糊效果一般不建议大窗口椒盐噪声效果差椒盐点只会被摊薄不会消失效果极好首选方案细线、小目标保留很差极易糊掉相对较好但窗口过大也会糊计算速度快适合实时较慢窗口越大排序开销越高适用场景轻度高斯噪声预处理文档扫描、坏点修复、工业检测实际项目里如果你不知道噪声类型我一般会先看一眼图像的直方图椒盐噪声会让直方图两端出现尖峰高斯噪声则让直方图整体变宽。看清噪声再选算法比盲目枚举参数有效得多。3. 高斯滤波把“距离”写进权重均值滤波的核里每个像素的重要程度都一样这其实不符合直觉离中心近的像素应该更接近真值理应贡献更大才对。高斯滤波就是在这个直觉上做改进它用一个服从高斯分布的权重窗口替代平均权重让距离中心越近的像素权重越大。这个小小的改变带来了两个直接好处去噪效果更好边缘细节的保留也比均值滤波好一截。3.1 高斯核是如何生成的二维高斯核的生成公式是G(x, y) 1 / (2πσ²) · exp(-(x² y²) / (2σ²))其中(x, y)是像素相对核中心的坐标σ是标准差。sigma越大高斯曲线越扁平远处像素的权重越高滤波效果越接近均值滤波sigma越小曲线越尖锐中心像素权重越大平滑能力越弱细节保持越好。生成一个5×5高斯核的代码非常简单def gaussian_kernel(size, sigma): kx cv2.getGaussianKernel(size, sigma) ky cv2.getGaussianKernel(size, sigma) kernel np.outer(kx, ky) return kernel这里面有个值得注意的细节先分别生成一维的行向量和列向量再求外积得到二维核是因为二维高斯函数可以分解成两个一维高斯的乘积这就是高斯滤波的“可分离性”。直接做5×5的二维卷积每个像素需要25次乘加运算拆成一维行卷积加一维列卷积只需要5510次乘加随着窗口变大这个差距会越来越大。工业项目里做大分辨率图像处理这个优化必须用上。3.2 sigma和窗口尺寸怎么选才合理很多新人问的第一个问题就是“高斯模糊的核尺寸到底填多少sigma填多少”这里有个工程经验值核尺寸至少要覆盖到±3σ的范围也就是核边长不小于6σ1。原因很简单高斯分布99.7%的能量都集中在±3σ之内核尺寸小于这个范围相当于截断了高斯的尾巴权重信息不完整滤波结果会出现不自然的块状感。实际调用库函数的时候你只要填一个参数——sigma它会根据sigma自动计算合理的核尺寸也可以用sigma和核尺寸一起指定但处理库对不符合规则的组合会直接报错。调参的建议是先根据噪声的严重程度估计σ轻度噪声σ取0.8到1.5中度噪声取1.5到3重度噪声先考虑换NLM而不是无脑调大高斯核。σ一旦超过5高斯滤波的成本和细节损失都会变得很大性价比明显下降。3.3 高斯滤波的边界处理与高阶技巧高斯滤波跟均值滤波一样属于线性卷积边界处理方式同样会影响边缘效果。默认的边界处理方式通常是在图像边界外补零这会在输出图四周产生一圈暗边尤其在σ较大的时候非常明显。正确做法是镜像扩展代码里指定边界模式为BORDER_REFLECT或者BORDER_REPLICATE去噪后的图像边缘过渡更自然。很多教程里从没提过这一点但实际项目里差的就是这一行参数。还有一个小技巧如果你的图像既有高斯噪声又有少量椒盐点直接只用高斯滤波椒盐点会被摊成一片亮斑或暗斑反而更难处理。这时候可以先用一次小窗口的中值滤波清掉椒盐点再用高斯滤波处理高斯噪声组合效果远好于单用任何一个。4. Non-local Means让相似的块互相组队均值、高斯这类局部滤波之所以在纹理区域会翻车是因为它们只敢用空间上的近邻像素来平均。但图像里其实存在大量重复结构一片草地、一堵砖墙、一段栅栏这些区域里的纹理模式会在不同位置反复出现。NLM的核心想法就是把这些“长得像”的像素块也拉过来参与平均即使它们在空间上隔得很远。这就像你在朋友圈找审美好的人而不是只问隔壁邻居结果自然靠谱得多。4.1 NLM权重公式的直觉拆解NLM对每个像素i的输出是搜索窗口内所有像素j的加权平均权重w(i, j)由两个像素各自周围的图像块决定w(i, j) exp(-||v(N_i) - v(N_j)||² / h²)其中N_i是以像素i为中心的一个小图像块v(N_i)是这个块的所有像素值构成的向量两个向量差的平方和就是块之间的欧氏距离平方h是控制权重大小的滤波强度参数。关键在于两个像素离得远没关系只要它们周围的块长得像权重就大如果块结构完全不同哪怕两像素挨在一起权重也接近0。生活化的比喻是“找同款”假如你在拼一幅拼图某个碎片缺了你不会只看旁边碎片还会翻遍整个盒子找图案相近的碎片。NLM就是干这个事。4.2 三个核心参数搜索窗、块尺寸、滤波强度NLM的参数比局部滤波多但核心就三个。搜索窗口的半宽r决定每个像素最多能参考多大范围内的其他像素经典推荐值是r10也就是21×21的搜索范围。块半宽f决定用多大的图像块去判断“长得像”经典推荐值是f2或3对应5×5或7×7的块。滤波强度h直接出现在指数项里它控制权重的衰减速度h越大越多的像素获得较高权重图像越平滑h越小只有高度相似的块才有资格参与平均噪声残留越多。h的取值经验我一般是先用噪声标准差σ作粗略估计再微调。如果噪声标准差是25h先取15到20观察效果若图像还有细节但噪声没去干净就把h往小调若图像变糊但没有明显改善就把h往大调。注意h跟图像灰度范围有关如果图像不是0到255而是0到1的浮点图h也要按比例缩放否则效果天差地别。4.3 NLM为什么慢以及怎么加速NLM慢是出了名的。它的复杂度大概是O(M×N×(2r1)²×(2f1)²)假设512×512图像r10f2这意味着每个像素要计算21×21441次块距离每次块距离要算25对像素差的平方和。几百万像素乘以几百次运算纯Python写出来能跑好几分钟实际是不可接受的。不过工程上有几条可行路线。第一是剪枝加速计算块距离时设一个阈值一旦累计误差超过阈值就提前终止略过那些明显不相似的块。第二是积分图加速把块间的平方差距离展开成积分图可查询的形式把每次计算的复杂度从块大小降为常数。第三是缩小搜索范围r从10降到5速度提升4倍代价只是略微降低去噪质量。第四是用一些官方库的快速实现它们的底层做了向量化速度比自己写的Python快很多。我的经验是小尺寸图像或者单张调试时用纯实现来分析参数真正要跑批量数据优先用加速版本再不行就考虑先下采样处理再上采样或者用分块并行。NLM不是不能用于实际项目而是要用对场合。5. 四种算法同场实测从可视化到量化指标原理讲得再多不如直接跑一张图看效果。我建议所有的测试都固定一套量化指标PSNR看像素误差SSIM看结构相似度。下面的实验脚本可以直接复制去跑测试图建议选用有纹理有边缘的灰度图否则看不出去噪算法的真实差距。5.1 搭建一个完整的对比脚本import cv2 import numpy as np img cv2.imread(test.png, cv2.IMREAD_GRAYSCALE).astype(np.float64) # 加入高斯噪声标准差25 noise np.random.normal(0, 25, img.shape) noisy_gauss np.clip(img noise, 0, 255).astype(np.uint8) # 加入椒盐噪声密度5% noisy_sp img.copy().astype(np.uint8) mask np.random.rand(*img.shape) 0.05 noisy_sp[mask] np.random.choice([0, 255], mask.sum()) noisy_sp np.clip(noisy_sp, 0, 255).astype(np.uint8) # 四种滤波 blur3 cv2.blur(noisy_gauss, (3, 3)) median5 cv2.medianBlur(noisy_gauss, 5) gauss5 cv2.GaussianBlur(noisy_gauss, (5, 5), 1.8) nlm cv2.fastNlMeansDenoising(noisy_gauss, None, h15, templateWindowSize7, searchWindowSize21) # 计算PSNR def psnr(a, b): mse np.mean((a.astype(np.float64) - b.astype(np.float64)) ** 2) return 10 * np.log10(255.0 ** 2 / mse) print(高斯噪声PSNR, psnr(img, noisy_gauss)) print(均值3x3, psnr(img, blur3)) print(中值5x5, psnr(img, median5)) print(高斯5x5 sigma1.8, psnr(img, gauss5)) print(NLM h15, psnr(img, nlm))我在同样的测试图上跑过一组典型结果加高斯噪声后原始含噪图的PSNR约20.2均值3×3约26.5中值5×5约26.8高斯5×5、σ1.8约27.1NLM h15约28.4。如果你跑出来的数值跟这组对不上不用紧张不同测试图的结果本来就有波动重点关注的是相对大小关系和视觉差异。5.2 不同噪声场景下的算法匹配还是同一张测试图把噪声换成5%密度的椒盐噪声之后结果就完全变脸了。均值3×3对椒盐噪声的PSNR只有25左右而且画面上还能看到明显的黑白团块中值3×3能把PSNR拉到33以上5×5甚至能到35以上高斯滤波和NLM在椒盐噪声上的表现都不如中值。这个对比充分说明脱离噪声类型谈算法优劣就是耍流氓。实际项目里还有个常见场景含噪图是彩色图处理办公室拍照偏暗、手机夜景图。这时候NLM支持彩色多通道处理但要注意把彩色图转成合适色彩空间再滤波否则通道之间的噪声互相干扰会出现色斑。我的习惯是先转到亮度和色度分离的空间只对亮度通道做较强的去噪色度通道做较轻的平滑画质提升明显看不见色块。5.3 调参顺序应该怎么走我给新人总结了一套调参顺序基本能省下大量重复试错的时间。先看直方图和残差确定噪声类型再用小窗口、小强度开始滤波然后逐步增大强度每调一次都算一次PSNR/SSIM并同时目测细节区域一旦PSNR开始下降或细节开始变糊立刻回退到上一组参数。整个过程应该控制在10到15分钟内而不是一次一次瞎猜。最后别忘了保存中间结果图。PSNR只能反映数值差距真正决定能不能用还得看边缘、文字边缘、小物体这些局部位置有没有糊。我在做文档OCR前处理时就被NLM坑过一次PSNR很高但笔画边缘被过度平滑识别率反而下降验证了“指标好看不等于结果好用”。6. 常见问题速查与排查技巧实录下面这些问题是我在实际项目里反复遇到并排查过的按现象整理成一张速查表方便你对照。现象可能原因排查与解决滤波后图像边缘出现黑边卷积边界默认补零改为BORDER_REFLECT或BORDER_REPLICATE椒盐噪声去不干净窗口太小密度太大增大中值窗口或先小窗口多次处理中值滤波把细线目标抹掉窗口过大超出目标宽度先用3×3不够再逐步增大高斯滤波后还有周期性条纹噪声不是纯高斯可能混有周期性干扰考虑频域滤波或带阻滤波NLM处理很慢搜索窗口过大块距离计算太重缩小r开启多线程或用积分图加速NLM把平滑区域搞出花纹h太小或块尺寸太小增大h适当增大块尺寸h调大后图像整片模糊滤波强度过高回退h用残差图检查是否过平滑彩色图滤波后出现色斑直接对RGB三通道分别滤波转到亮度色度分离空间只对亮度通道做强滤波这里重点说说残差检查这个方法。残差就是含噪图减去滤波图也就是算法认为被滤掉的那部分。理想情况下残差应该像随机噪声看不出任何图像结构。如果你发现残差图里能隐约看到边缘轮廓或纹理结构说明滤波器已经把有用的信号也当噪声滤掉了参数肯定过大。这个技巧可以说是我排查去噪参数问题的第一工具。还有一个很多人容易忽略的点不同算法对噪声方差的敏感程度不一样。均值和线性的高斯滤波对高斯噪声的方差有明确的数学关系窗口扩大N倍输出噪声方差约降为1/N中值和NLM则没有这么漂亮的公式只能靠实验标定。所以项目里如果噪声强度会动态变化比如视频监控在不同光照下切换建议处理前先做一次实时噪声估计动态切换滤波参数而不是一套参数打天下。写在最后的几个实操体会我做去噪也踩过不少坑最大的体会是不要迷信算法越高级效果越好也不要迷信某个参数是“万能值”。NLM在多数高斯噪声场景下确实全面领先但对椒盐噪声反而打不过一个朴素的中值滤波在实时视频流里NLM又贵得用不起老老实实上高斯加中值的组合更实用。参数方面任何固定推荐值都只是起点真正靠谱的做法是看残差、看细节、算指标三管齐下。最后再分享一个小技巧处理前后对比图一定要用同一套灰度映射或者同一段剪辑区域否则人眼很容易被亮度差异骗过去做出错误的调参判断。希望这篇文章能帮你少走一些弯路下次碰到去噪需求能底气十足地选对算法、调好参数。