经常有初学者来问我图像处理入门到底先学什么。我给的答案从来不是那些看起来很热闹的目标检测、人脸识别,而是最不起眼的图像平滑。原因很现实绝大多数真实场景里拿到的图都带着噪声传感器发热、光照抖动、传输丢包都会让后面的边缘检测、轮廓查找、OCR识别变得很不稳定。OpenCV 里解决这类问题靠的就是均值滤波、高斯滤波、中值滤波这三大算法。这篇文章不打算堆 API 文档我会从噪声模型讲起把每种滤波的核心思路、参数怎么调、实测效果、以及那些文档里不会写的坑一次说透。不管你是刚接触 OpenCV 的学生还是已经在项目里写视觉代码的工程师这套思路应该都能直接落到你的数据上。1. 先搞清你要对付的噪声长什么样1.1 高斯噪声和椒盐噪声的来源与特点很多同学拿到图就急着滤波但从来不问自己一句图上的噪声到底是什么。这是个致命习惯。噪声的统计特性不同适用的滤波器完全不同选错了等于白干。常见的噪声大致分三类。第一类是高斯噪声主要来自图像传感器的热噪声、放大电路的电噪声以及弱光照条件下的随机涨落。它的特点是每个像素都会受影响但偏移量有大有小整体概率分布服从正态分布均值接近 0方差决定噪声的强度。表现出来就是画面上均匀铺了一层灰白色颗粒有点像老照片上的细砂感。第二类是椒盐噪声也叫脉冲噪声来源一般是传感器坏点、A/D 转换错误或者传输信道丢比特。这种噪声只在随机位置产生纯白或纯黑的像素点和周围像素形成强烈反差图像上就像撒了一把盐又掉了几粒胡椒。第三类是泊松噪声常见于低光环境、医学影像和天文摄影幅度和信号强度正相关处理起来更复杂日常 OpenCV 项目里遇到得相对少。为什么要花时间理解这些因为滤波算法的设计动机就是噪声的统计模型。均值滤波和高斯滤波本质上是线性低通滤波适合压制高斯噪声这类随机高频扰动而中值滤波属于排序统计的非线性方法对付椒盐噪声几乎是降维打击。如果你拿均值滤波去处理椒盐噪声一个孤立白点会被糊成一团灰色斑块噪声范围反而扩大效果越处理越差。1.2 用 NumPy 合成噪声给算法建一个可控的实验台学习滤波算法最大的难点不是看不懂公式而是没有标准答案去验证。所以我强烈建议你先在干净的图上人为添加噪声这样你可以明确知道滤波效果离原始图差多少而不是拿一张本身就模糊的图在那猜。下面这段代码是我平时做对比实验用的基准import cv2 import numpy as np np.random.seed(42) # 固定随机种子保证每次实验结果可复现 # 读入灰度测试图自己拍的照片或网上随便找一张清晰的都可以 img cv2.imread(sample.png, cv2.IMREAD_GRAYSCALE) # 添加高斯噪声均值0标准差25数值越大噪声越强 gauss_noise np.random.normal(0, 25, img.shape).astype(np.float32) noisy_gauss np.clip(img.astype(np.float32) gauss_noise, 0, 255).astype(np.uint8) # 添加椒盐噪声随机选2%像素置为纯白再选2%像素置为纯黑 salt_pepper img.copy() n_pixel img.size salt_idx np.random.randint(0, n_pixel, int(0.02 * n_pixel)) pepper_idx np.random.randint(0, n_pixel, int(0.02 * n_pixel)) salt_mask np.unravel_index(salt_idx, img.shape) pepper_mask np.unravel_index(pepper_idx, img.shape) salt_pepper[salt_mask] 255 salt_pepper[pepper_mask] 0这里有两个容易踩的小坑要注意。第一个高斯噪声是浮点数和原图的 uint8 相加后必须先 clip 到 0-255 再转回 uint8否则像素值溢出会出现诡异的黑白条纹。第二个np.random.randint(0, n_pixel, ...)生成的是一维索引必须用np.unravel_index转成二维坐标才能直接索引图像。我一开始图省事直接生成二维坐标结果因为索引越界问题反复调试所以现在干脆统一用这种方式。有了可控的噪声图后面每一个算法都可以放在同一个实验台上对比这才是靠谱的学习和工程验证方式。2. 均值滤波把所有像素一视同仁的代价2.1 核如何工作OpenCV 里怎么调均值滤波的思路朴素到有点原始把当前像素周围一个小窗口里的所有像素取平均作为中心点的新值。用数学语言说就是用一个所有系数都相等的卷积核去跟图像做卷积。以 3x3 的窗口为例核就是1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9OpenCV 里调用非常简单blur3 cv2.blur(img, (3, 3)) # 3x3 均值滤波 blur5 cv2.blur(img, (5, 5)) # 5x5 均值滤波核的大小最关键。3x3 窗口意味着中心像素要参考周围 8 个邻居5x5 就要参考 24 个。窗口越大平滑力度越强图像越模糊细节消失得也越快。这里有个实际建议核的尺寸一定要用奇数。虽然 OpenCV 没有强制要求但只有奇数核才有真正的中心锚点默认anchor(-1, -1)也是指核中心。用偶数核的话锚点会偏移半格整张图的结果会对不齐低端像素级任务里很容易留下平移伪影。另一个容易被忽略的是边界处理。卷积核滑到图像边缘时有一半悬空需要 OpenCV 去猜边界外的像素值。默认的borderType是BORDER_DEFAULT本质上使用的是反射填充效果比较自然。但如果你用BORDER_CONSTANT相当于在图像四周补了一圈黑边会让边缘像素的灰度被明显拉低肉眼就能看出边框。需要把边缘细节纳入后续处理的场景一定要手动确认这个参数。2.2 为什么均值滤波会把边缘也抹掉均值滤波最大的问题在于对边缘极其不友好。边缘是什么边缘是像素值发生剧烈跳变的地方一边亮一边暗。当窗口横跨边缘时亮区的像素被暗区平均拉低暗区的像素又被亮区拉高。原本一条锐利的台阶型边缘经过均值滤波后变成了一段渐变斜坡边缘的位置和对比度都损失了。举个最直观的例子一维信号原始 10 10 10 200 200 200 3x1均值 10 73 136 200可以看到阶跃点附近出现了 73 和 136 这两个过渡值边缘被抹平了。窗口越大这个过渡带越宽。对图像来说反映出来的就是文字变糊、轮廓变胖、直线边缘出现晕影。在做工业测量、二维码定位这类对边缘精度要求很高的项目时均值滤波造成的边缘偏移往往是灾难性的。2.3 实测效果和适用场景为了直观我把刚才生成的带高斯噪声图分别丢给 3x3 和 5x5 均值滤波跑了一遍。3x3 的结果噪声明显减少但图像颗粒感还在文字边缘已经发虚5x5 看起来干净很多但原本清晰的纹理细节基本也磨掉了如果原图包含细小的花紋、噪点纹理或者小号文字直接就是一团浆糊。所以均值滤波的定位应该想清楚它适合对图像质量要求不高、只需要快速压制噪声的场景。比如实时视频流的预处理、缩略图生成、后台图像统计特征提取在这些场景里它速度极快OpenCV 底层有高度优化的卷积实现1080p 的灰度图在普通 CPU 上也只要几毫秒一次。但在严肃的视觉任务里它通常是下限最低的选择。我还专门测试过均值滤波处理椒盐噪声结论很扎心一个孤立的纯白椒盐点经过 3x3 均值后会变成一个由 9 个偏亮像素组成的脏团块噪声没有被消除只是换了一种更恶心的形态。所以在动手用均值滤波之前先看清楚噪声类型。3. 高斯滤波用距离赋权重的平滑方案3.1 高斯核到底怎么算出来的均值滤波的问题在于太“民主”窗口内每个像素投票权一样。但直觉告诉我们离中心越远的像素对中心点的参考价值应该越低。高斯滤波就是这个直觉的数学化表达。二维高斯函数的离散核形式是G(x, y) (1 / (2 * pi * sigma^2)) * exp(-(x^2 y^2) / (2 * sigma^2))其中 x、y 是相对于核中心的坐标sigma 控制权重衰减的速度。所谓的高斯核就是把窗口内每个位置按这个函数赋予权重再归一化。中心的权重最大越向外越小整体呈现出圆润的钟形分布。OpenCV 的使用方式很简洁gauss3 cv2.GaussianBlur(img, (3, 3), 0) # 3x3 核sigma 自动计算 gauss5 cv2.GaussianBlur(img, (5, 5), 0) # 5x5 核sigma 自动计算 gauss7 cv2.GaussianBlur(img, (7, 7), 0)第三个参数sigmaX是 X 方向的 sigma第四个参数sigmaY是 Y 方向的 sigma。如果sigmaY为 0则取和sigmaX相同值如果sigmaX也为 0OpenCV 会根据核大小自动推导内部经验公式大概是sigma 0.3 * ((ksize - 1) * 0.5 - 1) 0.8。绝大多数场景直接写 0 就行让 OpenCV 自己算结果通常都靠谱。3.2 核大小与 sigma 的配合关系很多人在高斯滤波上调参时只调核大小完全忽略 sigma这是不对的。核大小决定计算范围sigma 决定权重分布的形状两者必须匹配。按高斯分布的性质能量基本集中在均值 ± 3sigma范围内。核窗口至少应该覆盖 6sigma 的宽度否则高斯函数被硬生生截断权重分布产生跳变图像容易出现不自然的条带。反过来如果 sigma 设得很小但核特别大核外侧像素的权重几乎为 0白白浪费计算量。我自己的经验公式是推荐核大小 2 * ceil(3 * sigma) 1比如 sigma1.0 时核大小取 7sigma2.0 时核大小取 13。如果懒得算直接用cv2.GaussianBlur(img, (0, 0), sigma)OpenCV 会自动决定核大小这是最省心的写法gauss_auto cv2.GaussianBlur(img, (0, 0), 2.0) # 自动根据 sigma 计算核大小另外还有一个很少人注意的点sigmaX和sigmaY可以不等这样能得到椭圆形的高斯核用于处理有方向性模糊的图像。普通去噪没必要用明白功能存在就行。3.3 高斯滤波的边界问题和性能高斯滤波和均值滤波一样也有边界填充问题但效果要细腻得多。由于中心权重高边缘像素不会被远端像素过度稀释。默认borderType仍然是BORDER_DEFAULT绝大多数场景够用。如果对边缘像素有特殊要求比如医学影像边缘保留建议先用copyMakeBorder手动扩充图像再滤波滤波后再裁掉扩充区域这样边界可控性最强。性能方面二维高斯核是可分离的即一个二维高斯卷积可以拆成先做水平方向一维卷积、再做垂直方向一维卷积。OpenCV 内部正是这么优化的所以复杂度从O(ksize^2)降到了O(2 * ksize)。同样是 9x9 核高斯滤波的实际耗时并没有比均值滤波高出想象中那么多配合 SIMD 指令集优化不少处理器上都能做到毫秒级反馈。但要注意高斯滤波依然是线性滤波对椒盐噪声同样无能为力。一个 255 的白点会被高斯权重扩散成一个带光晕的灰团sigma 越大光晕范围越宽后续二值化时还会引入一圈假边缘。遇到这类噪声该上中值滤波了。4. 中值滤波非线性思路的暴力美学4.1 为什么排序取中值能扛住椒盐噪声中值滤波的思路跟前面两个完全不在一个维度。它不做加权平均而是把窗口内所有像素值排序取中间那个值作为中心点的新值。med3 cv2.medianBlur(img, 3) # 3x3 中值滤波 med5 cv2.medianBlur(img, 5) # 5x5 中值滤波注意medianBlur的第二个参数是一个整数不是(3, 3)这种元组它只支持正方形窗口而且必须为奇数。为什么它对椒盐噪声效果这么好想一下就明白了。假设一个 3x3 窗口里有一个纯白椒盐点255其他 8 个像素都是正常值比如 50 附近。排序之后255 被排到序列最末尾中间值仍然是正常值等于自动把这个离群点过滤掉了。这就是非线性滤波的优势它不试图“修正”离群点而是直接忽略排序上的极值。换成均值滤波255 会被平均进结果里等于把噪声洗进了周围像素。中值滤波对高斯噪声的抑制不如高斯滤波尤其在噪声幅度较大时排序后的中值可能仍然偏离真实值不小。所以在处理高斯噪声场景时它只能算备选方案但一旦确认图像里混了椒盐噪声它就是那个最可靠的救火队员。4.2 中值滤波的边界、速度与参数选择中值滤波处理边界的方式和前面两个不太一样。medianBlur不提供borderType参数内部固定使用边界复制方式填充也就是把边缘像素值直接复制到窗口之外的区域。好在排序操作对填充值的敏感度没有卷积那么高实际影响有限我很少专门去处理。速度是中值滤波最明显的短板。排序比较耗时核越大开销增长不是线性而是接近二次甚至更快。实测下来3x3 的 1080p 灰度图处理耗时大概是同尺寸高斯滤波的好几倍5x5 会慢到肉眼可感知7x7 基本就别想在实时视频流里逐帧跑了。所以有两个实用建议一是核优先从 3 开始试最大用到 5除非噪声密度极高否则 7 以上性价比太低二是如果椒盐噪声很密与其上 5x5不如连续迭代两次 3x3边缘保留通常更好速度也不一定更慢。特别提醒一点中值滤波会造成比高斯更强的细节丢失对细线、尖角、孤立小点这类小于窗口尺寸一半的高频结构极其不友好。比如一条单像素直线在 3x3 窗口里可能直接被排序成某个邻域值而整段消失。所以做血管分割、指纹识别、字符笔画提取这类任务时用中值滤波前一定要评估细节保留需求。还有一个彩蛋中值滤波对彩色图像是逐通道独立处理的不会跨 RGB 通道混合像素值因此不会产生颜色伪影。有些萌新拿均值滤波做彩色图通道被拉平均后边缘出现诡异的色晕换中值就没事。5. 三种算法放一起比实战选型经验5.1 相同噪声下的降噪效果与指标要比较就得有量化指标。业界最常用的两个指标是 PSNR峰值信噪比和 SSIM结构相似性。PSNR 越高代表像素级误差越小SSIM 越高代表结构保留越好。简版 PSNR 计算代码我贴在这里def psnr(a, b): a a.astype(np.float32) b b.astype(np.float32) mse np.mean((a - b) ** 2) if mse 0: return 99.0 return 10 * np.log10(255.0 ** 2 / mse)我在同一张测试图上分别加了高斯噪声和椒盐噪声然后把三种滤波全跑了一遍。结果趋势非常稳定噪声类型均值滤波高斯滤波中值滤波高斯噪声sigma25一般最好较差椒盐噪声密度 4%很差很差最好边缘保留能力最差中等最好处理速度最快快慢具体到数值高斯噪声场景下3x3 高斯滤波的 PSNR 比同尺寸均值滤波高 1-2dB尽管肉眼看差别不大但对后续边缘检测这类敏感任务来说 1dB 的差别足以影响阈值选择。椒盐噪声场景就更悬殊了中值滤波能把 PSNR 拉回 30dB 以上而均值和高斯指标惨不忍睹因为每个孤立椒盐点都被扩散成了团块。5.2 边缘保留、耗时的实测比较边缘保留能力我用一张黑白棋盘格做实验。棋盘格的边缘是标准阶跃任何处理都会让它变化。均值滤波和高斯滤波都会在边缘两侧形成几像素宽的中性灰过渡带高斯由于有中心权重过渡带比均值窄一些。中值滤波的表现最亮眼在边缘一侧的窗口内排序后的中位数依然落在该侧边缘位置几乎不动。这个差异在实时项目里非常致命。举个例子如果任务是算工件的边缘长度和角度用均值滤波预处理边缘偏移会直接导致测量误差而且窗口越大误差越大最终算出来的尺寸可能是错的。中值滤波在这个场景下优势巨大这也是为什么很多工业视觉工程师处理遮罩、轮廓提取前会优先考虑中值。耗时方面我在普通办公电脑上对 1080p 灰度图做了粗略计时均值 3x3 大概 2-3ms高斯 5x5 大约 3-5ms中值 3x3 通常在 10ms 上下中值 5x5 直接跳到 30ms 以上。当然不同 CPU、不同图像内容会有差异但相对大小关系基本稳定。如果你的项目有严格的帧率要求这个时间账一定要提前算。5.3 选型建议和组合用法说了这么多具体选型其实可以浓缩成几条经验先判断噪声来源。摄像头夜间低光、传感器发热导致的颗粒感优先高斯滤波。图像里有明显的黑白点、扫描噪点、传输坏块优先中值滤波。完全不确定并且最重要的是保留边缘细节先上 3x3 中值看看效果不行再换高斯。时间紧只想快速出图均值滤波是最省事的保底但心里要清楚它的边缘代价。不要一上来就上大核。从 3x3 或 5x5 开始一点点加码直到噪声可接受且细节仍然可识别为止。实际项目里经常两种噪声同时存在比如工业相机在弱光传输下既有传感器高斯噪声又有坏点。这时可以组合使用先中值滤波去掉椒盐类坏点再高斯滤波压制高斯噪声。注意两个滤波会叠加模糊所以核都往小了选中值 3、高斯 3x3 起步。我自己在不少项目里都是这组搭配效果比盲目用大核好得多。如果你追求更强的边缘保持可以接触一下双边滤波。它在高斯滤波基础上引入了像素灰度差权重能在去噪时保留边缘但速度比前面三者都慢而且参数更多。先把三大基础算法吃透再考虑进阶这个顺序不会错。最后分享一个我坚持了很多年的习惯评估滤波效果时不要把整张图缩到很小看个大概一定要放大到 100% 或局部裁剪对比。看边缘附近的像素剖面看文字笔画的宽度变化看椒盐点是否真的被移除而不是被摊薄。图像平滑替下游省掉的麻烦比你在预处理阶段多花的时间值钱得多。 
长河君 · 2026/10/19 2:12:14 · 阅读 1.2k OpenCV图像平滑三大滤波算法：均值、高斯、中值原理与实战
经常有初学者来问我图像处理入门到底先学什么。我给的答案从来不是那些看起来很热闹的目标检测、人脸识别,而是最不起眼的图像平滑。原因很现实绝大多数真实场景里拿到的图都带着噪声传感器发热、光照抖动、传输丢包都会让后面的边缘检测、轮廓查找、OCR识别变得很不稳定。OpenCV 里解决这类问题靠的就是均值滤波、高斯滤波、中值滤波这三大算法。这篇文章不打算堆 API 文档我会从噪声模型讲起把每种滤波的核心思路、参数怎么调、实测效果、以及那些文档里不会写的坑一次说透。不管你是刚接触 OpenCV 的学生还是已经在项目里写视觉代码的工程师这套思路应该都能直接落到你的数据上。1. 先搞清你要对付的噪声长什么样1.1 高斯噪声和椒盐噪声的来源与特点很多同学拿到图就急着滤波但从来不问自己一句图上的噪声到底是什么。这是个致命习惯。噪声的统计特性不同适用的滤波器完全不同选错了等于白干。常见的噪声大致分三类。第一类是高斯噪声主要来自图像传感器的热噪声、放大电路的电噪声以及弱光照条件下的随机涨落。它的特点是每个像素都会受影响但偏移量有大有小整体概率分布服从正态分布均值接近 0方差决定噪声的强度。表现出来就是画面上均匀铺了一层灰白色颗粒有点像老照片上的细砂感。第二类是椒盐噪声也叫脉冲噪声来源一般是传感器坏点、A/D 转换错误或者传输信道丢比特。这种噪声只在随机位置产生纯白或纯黑的像素点和周围像素形成强烈反差图像上就像撒了一把盐又掉了几粒胡椒。第三类是泊松噪声常见于低光环境、医学影像和天文摄影幅度和信号强度正相关处理起来更复杂日常 OpenCV 项目里遇到得相对少。为什么要花时间理解这些因为滤波算法的设计动机就是噪声的统计模型。均值滤波和高斯滤波本质上是线性低通滤波适合压制高斯噪声这类随机高频扰动而中值滤波属于排序统计的非线性方法对付椒盐噪声几乎是降维打击。如果你拿均值滤波去处理椒盐噪声一个孤立白点会被糊成一团灰色斑块噪声范围反而扩大效果越处理越差。1.2 用 NumPy 合成噪声给算法建一个可控的实验台学习滤波算法最大的难点不是看不懂公式而是没有标准答案去验证。所以我强烈建议你先在干净的图上人为添加噪声这样你可以明确知道滤波效果离原始图差多少而不是拿一张本身就模糊的图在那猜。下面这段代码是我平时做对比实验用的基准import cv2 import numpy as np np.random.seed(42) # 固定随机种子保证每次实验结果可复现 # 读入灰度测试图自己拍的照片或网上随便找一张清晰的都可以 img cv2.imread(sample.png, cv2.IMREAD_GRAYSCALE) # 添加高斯噪声均值0标准差25数值越大噪声越强 gauss_noise np.random.normal(0, 25, img.shape).astype(np.float32) noisy_gauss np.clip(img.astype(np.float32) gauss_noise, 0, 255).astype(np.uint8) # 添加椒盐噪声随机选2%像素置为纯白再选2%像素置为纯黑 salt_pepper img.copy() n_pixel img.size salt_idx np.random.randint(0, n_pixel, int(0.02 * n_pixel)) pepper_idx np.random.randint(0, n_pixel, int(0.02 * n_pixel)) salt_mask np.unravel_index(salt_idx, img.shape) pepper_mask np.unravel_index(pepper_idx, img.shape) salt_pepper[salt_mask] 255 salt_pepper[pepper_mask] 0这里有两个容易踩的小坑要注意。第一个高斯噪声是浮点数和原图的 uint8 相加后必须先 clip 到 0-255 再转回 uint8否则像素值溢出会出现诡异的黑白条纹。第二个np.random.randint(0, n_pixel, ...)生成的是一维索引必须用np.unravel_index转成二维坐标才能直接索引图像。我一开始图省事直接生成二维坐标结果因为索引越界问题反复调试所以现在干脆统一用这种方式。有了可控的噪声图后面每一个算法都可以放在同一个实验台上对比这才是靠谱的学习和工程验证方式。2. 均值滤波把所有像素一视同仁的代价2.1 核如何工作OpenCV 里怎么调均值滤波的思路朴素到有点原始把当前像素周围一个小窗口里的所有像素取平均作为中心点的新值。用数学语言说就是用一个所有系数都相等的卷积核去跟图像做卷积。以 3x3 的窗口为例核就是1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9OpenCV 里调用非常简单blur3 cv2.blur(img, (3, 3)) # 3x3 均值滤波 blur5 cv2.blur(img, (5, 5)) # 5x5 均值滤波核的大小最关键。3x3 窗口意味着中心像素要参考周围 8 个邻居5x5 就要参考 24 个。窗口越大平滑力度越强图像越模糊细节消失得也越快。这里有个实际建议核的尺寸一定要用奇数。虽然 OpenCV 没有强制要求但只有奇数核才有真正的中心锚点默认anchor(-1, -1)也是指核中心。用偶数核的话锚点会偏移半格整张图的结果会对不齐低端像素级任务里很容易留下平移伪影。另一个容易被忽略的是边界处理。卷积核滑到图像边缘时有一半悬空需要 OpenCV 去猜边界外的像素值。默认的borderType是BORDER_DEFAULT本质上使用的是反射填充效果比较自然。但如果你用BORDER_CONSTANT相当于在图像四周补了一圈黑边会让边缘像素的灰度被明显拉低肉眼就能看出边框。需要把边缘细节纳入后续处理的场景一定要手动确认这个参数。2.2 为什么均值滤波会把边缘也抹掉均值滤波最大的问题在于对边缘极其不友好。边缘是什么边缘是像素值发生剧烈跳变的地方一边亮一边暗。当窗口横跨边缘时亮区的像素被暗区平均拉低暗区的像素又被亮区拉高。原本一条锐利的台阶型边缘经过均值滤波后变成了一段渐变斜坡边缘的位置和对比度都损失了。举个最直观的例子一维信号原始 10 10 10 200 200 200 3x1均值 10 73 136 200可以看到阶跃点附近出现了 73 和 136 这两个过渡值边缘被抹平了。窗口越大这个过渡带越宽。对图像来说反映出来的就是文字变糊、轮廓变胖、直线边缘出现晕影。在做工业测量、二维码定位这类对边缘精度要求很高的项目时均值滤波造成的边缘偏移往往是灾难性的。2.3 实测效果和适用场景为了直观我把刚才生成的带高斯噪声图分别丢给 3x3 和 5x5 均值滤波跑了一遍。3x3 的结果噪声明显减少但图像颗粒感还在文字边缘已经发虚5x5 看起来干净很多但原本清晰的纹理细节基本也磨掉了如果原图包含细小的花紋、噪点纹理或者小号文字直接就是一团浆糊。所以均值滤波的定位应该想清楚它适合对图像质量要求不高、只需要快速压制噪声的场景。比如实时视频流的预处理、缩略图生成、后台图像统计特征提取在这些场景里它速度极快OpenCV 底层有高度优化的卷积实现1080p 的灰度图在普通 CPU 上也只要几毫秒一次。但在严肃的视觉任务里它通常是下限最低的选择。我还专门测试过均值滤波处理椒盐噪声结论很扎心一个孤立的纯白椒盐点经过 3x3 均值后会变成一个由 9 个偏亮像素组成的脏团块噪声没有被消除只是换了一种更恶心的形态。所以在动手用均值滤波之前先看清楚噪声类型。3. 高斯滤波用距离赋权重的平滑方案3.1 高斯核到底怎么算出来的均值滤波的问题在于太“民主”窗口内每个像素投票权一样。但直觉告诉我们离中心越远的像素对中心点的参考价值应该越低。高斯滤波就是这个直觉的数学化表达。二维高斯函数的离散核形式是G(x, y) (1 / (2 * pi * sigma^2)) * exp(-(x^2 y^2) / (2 * sigma^2))其中 x、y 是相对于核中心的坐标sigma 控制权重衰减的速度。所谓的高斯核就是把窗口内每个位置按这个函数赋予权重再归一化。中心的权重最大越向外越小整体呈现出圆润的钟形分布。OpenCV 的使用方式很简洁gauss3 cv2.GaussianBlur(img, (3, 3), 0) # 3x3 核sigma 自动计算 gauss5 cv2.GaussianBlur(img, (5, 5), 0) # 5x5 核sigma 自动计算 gauss7 cv2.GaussianBlur(img, (7, 7), 0)第三个参数sigmaX是 X 方向的 sigma第四个参数sigmaY是 Y 方向的 sigma。如果sigmaY为 0则取和sigmaX相同值如果sigmaX也为 0OpenCV 会根据核大小自动推导内部经验公式大概是sigma 0.3 * ((ksize - 1) * 0.5 - 1) 0.8。绝大多数场景直接写 0 就行让 OpenCV 自己算结果通常都靠谱。3.2 核大小与 sigma 的配合关系很多人在高斯滤波上调参时只调核大小完全忽略 sigma这是不对的。核大小决定计算范围sigma 决定权重分布的形状两者必须匹配。按高斯分布的性质能量基本集中在均值 ± 3sigma范围内。核窗口至少应该覆盖 6sigma 的宽度否则高斯函数被硬生生截断权重分布产生跳变图像容易出现不自然的条带。反过来如果 sigma 设得很小但核特别大核外侧像素的权重几乎为 0白白浪费计算量。我自己的经验公式是推荐核大小 2 * ceil(3 * sigma) 1比如 sigma1.0 时核大小取 7sigma2.0 时核大小取 13。如果懒得算直接用cv2.GaussianBlur(img, (0, 0), sigma)OpenCV 会自动决定核大小这是最省心的写法gauss_auto cv2.GaussianBlur(img, (0, 0), 2.0) # 自动根据 sigma 计算核大小另外还有一个很少人注意的点sigmaX和sigmaY可以不等这样能得到椭圆形的高斯核用于处理有方向性模糊的图像。普通去噪没必要用明白功能存在就行。3.3 高斯滤波的边界问题和性能高斯滤波和均值滤波一样也有边界填充问题但效果要细腻得多。由于中心权重高边缘像素不会被远端像素过度稀释。默认borderType仍然是BORDER_DEFAULT绝大多数场景够用。如果对边缘像素有特殊要求比如医学影像边缘保留建议先用copyMakeBorder手动扩充图像再滤波滤波后再裁掉扩充区域这样边界可控性最强。性能方面二维高斯核是可分离的即一个二维高斯卷积可以拆成先做水平方向一维卷积、再做垂直方向一维卷积。OpenCV 内部正是这么优化的所以复杂度从O(ksize^2)降到了O(2 * ksize)。同样是 9x9 核高斯滤波的实际耗时并没有比均值滤波高出想象中那么多配合 SIMD 指令集优化不少处理器上都能做到毫秒级反馈。但要注意高斯滤波依然是线性滤波对椒盐噪声同样无能为力。一个 255 的白点会被高斯权重扩散成一个带光晕的灰团sigma 越大光晕范围越宽后续二值化时还会引入一圈假边缘。遇到这类噪声该上中值滤波了。4. 中值滤波非线性思路的暴力美学4.1 为什么排序取中值能扛住椒盐噪声中值滤波的思路跟前面两个完全不在一个维度。它不做加权平均而是把窗口内所有像素值排序取中间那个值作为中心点的新值。med3 cv2.medianBlur(img, 3) # 3x3 中值滤波 med5 cv2.medianBlur(img, 5) # 5x5 中值滤波注意medianBlur的第二个参数是一个整数不是(3, 3)这种元组它只支持正方形窗口而且必须为奇数。为什么它对椒盐噪声效果这么好想一下就明白了。假设一个 3x3 窗口里有一个纯白椒盐点255其他 8 个像素都是正常值比如 50 附近。排序之后255 被排到序列最末尾中间值仍然是正常值等于自动把这个离群点过滤掉了。这就是非线性滤波的优势它不试图“修正”离群点而是直接忽略排序上的极值。换成均值滤波255 会被平均进结果里等于把噪声洗进了周围像素。中值滤波对高斯噪声的抑制不如高斯滤波尤其在噪声幅度较大时排序后的中值可能仍然偏离真实值不小。所以在处理高斯噪声场景时它只能算备选方案但一旦确认图像里混了椒盐噪声它就是那个最可靠的救火队员。4.2 中值滤波的边界、速度与参数选择中值滤波处理边界的方式和前面两个不太一样。medianBlur不提供borderType参数内部固定使用边界复制方式填充也就是把边缘像素值直接复制到窗口之外的区域。好在排序操作对填充值的敏感度没有卷积那么高实际影响有限我很少专门去处理。速度是中值滤波最明显的短板。排序比较耗时核越大开销增长不是线性而是接近二次甚至更快。实测下来3x3 的 1080p 灰度图处理耗时大概是同尺寸高斯滤波的好几倍5x5 会慢到肉眼可感知7x7 基本就别想在实时视频流里逐帧跑了。所以有两个实用建议一是核优先从 3 开始试最大用到 5除非噪声密度极高否则 7 以上性价比太低二是如果椒盐噪声很密与其上 5x5不如连续迭代两次 3x3边缘保留通常更好速度也不一定更慢。特别提醒一点中值滤波会造成比高斯更强的细节丢失对细线、尖角、孤立小点这类小于窗口尺寸一半的高频结构极其不友好。比如一条单像素直线在 3x3 窗口里可能直接被排序成某个邻域值而整段消失。所以做血管分割、指纹识别、字符笔画提取这类任务时用中值滤波前一定要评估细节保留需求。还有一个彩蛋中值滤波对彩色图像是逐通道独立处理的不会跨 RGB 通道混合像素值因此不会产生颜色伪影。有些萌新拿均值滤波做彩色图通道被拉平均后边缘出现诡异的色晕换中值就没事。5. 三种算法放一起比实战选型经验5.1 相同噪声下的降噪效果与指标要比较就得有量化指标。业界最常用的两个指标是 PSNR峰值信噪比和 SSIM结构相似性。PSNR 越高代表像素级误差越小SSIM 越高代表结构保留越好。简版 PSNR 计算代码我贴在这里def psnr(a, b): a a.astype(np.float32) b b.astype(np.float32) mse np.mean((a - b) ** 2) if mse 0: return 99.0 return 10 * np.log10(255.0 ** 2 / mse)我在同一张测试图上分别加了高斯噪声和椒盐噪声然后把三种滤波全跑了一遍。结果趋势非常稳定噪声类型均值滤波高斯滤波中值滤波高斯噪声sigma25一般最好较差椒盐噪声密度 4%很差很差最好边缘保留能力最差中等最好处理速度最快快慢具体到数值高斯噪声场景下3x3 高斯滤波的 PSNR 比同尺寸均值滤波高 1-2dB尽管肉眼看差别不大但对后续边缘检测这类敏感任务来说 1dB 的差别足以影响阈值选择。椒盐噪声场景就更悬殊了中值滤波能把 PSNR 拉回 30dB 以上而均值和高斯指标惨不忍睹因为每个孤立椒盐点都被扩散成了团块。5.2 边缘保留、耗时的实测比较边缘保留能力我用一张黑白棋盘格做实验。棋盘格的边缘是标准阶跃任何处理都会让它变化。均值滤波和高斯滤波都会在边缘两侧形成几像素宽的中性灰过渡带高斯由于有中心权重过渡带比均值窄一些。中值滤波的表现最亮眼在边缘一侧的窗口内排序后的中位数依然落在该侧边缘位置几乎不动。这个差异在实时项目里非常致命。举个例子如果任务是算工件的边缘长度和角度用均值滤波预处理边缘偏移会直接导致测量误差而且窗口越大误差越大最终算出来的尺寸可能是错的。中值滤波在这个场景下优势巨大这也是为什么很多工业视觉工程师处理遮罩、轮廓提取前会优先考虑中值。耗时方面我在普通办公电脑上对 1080p 灰度图做了粗略计时均值 3x3 大概 2-3ms高斯 5x5 大约 3-5ms中值 3x3 通常在 10ms 上下中值 5x5 直接跳到 30ms 以上。当然不同 CPU、不同图像内容会有差异但相对大小关系基本稳定。如果你的项目有严格的帧率要求这个时间账一定要提前算。5.3 选型建议和组合用法说了这么多具体选型其实可以浓缩成几条经验先判断噪声来源。摄像头夜间低光、传感器发热导致的颗粒感优先高斯滤波。图像里有明显的黑白点、扫描噪点、传输坏块优先中值滤波。完全不确定并且最重要的是保留边缘细节先上 3x3 中值看看效果不行再换高斯。时间紧只想快速出图均值滤波是最省事的保底但心里要清楚它的边缘代价。不要一上来就上大核。从 3x3 或 5x5 开始一点点加码直到噪声可接受且细节仍然可识别为止。实际项目里经常两种噪声同时存在比如工业相机在弱光传输下既有传感器高斯噪声又有坏点。这时可以组合使用先中值滤波去掉椒盐类坏点再高斯滤波压制高斯噪声。注意两个滤波会叠加模糊所以核都往小了选中值 3、高斯 3x3 起步。我自己在不少项目里都是这组搭配效果比盲目用大核好得多。如果你追求更强的边缘保持可以接触一下双边滤波。它在高斯滤波基础上引入了像素灰度差权重能在去噪时保留边缘但速度比前面三者都慢而且参数更多。先把三大基础算法吃透再考虑进阶这个顺序不会错。最后分享一个我坚持了很多年的习惯评估滤波效果时不要把整张图缩到很小看个大概一定要放大到 100% 或局部裁剪对比。看边缘附近的像素剖面看文字笔画的宽度变化看椒盐点是否真的被移除而不是被摊薄。图像平滑替下游省掉的麻烦比你在预处理阶段多花的时间值钱得多。