计算机视觉实战：图像平滑与去噪处理详解

💡 经验法则：轻微去噪用 (3,3)，中等去噪用 (5,5)，强去噪用 (7,7) 或增大 sigmaX。

3.3 中值滤波（Median Blur）

原理：将窗口内所有像素排序，取中位数作为新值。

👉 对椒盐噪声（孤立的极亮/极暗点）效果极佳！不产生新像素值，能有效去除'斑点'，同时保留边缘。

🔧 函数：cv2.medianBlur(src, ksize)

median = cv2.medianBlur(img, 5)  # ksize 是整数（如 3, 5, 7）

⚠️ 注意：ksize 是单个整数（因为核是正方形），且必须 ≥ 3。

4. 三种滤波效果对比

选择哪种滤波，取决于你的需求。可以参考下面的决策逻辑：

graph TD
    A[含噪声图像] --> B{噪声类型？}
    B -- 椒盐噪声 --> C[中值滤波 cv2.medianBlur]
    B -- 高斯/均匀噪声 --> D{是否需保留边缘？}
    D -- 是 --> E[高斯滤波 cv2.GaussianBlur]
    D -- 否/快速实时 --> F[均值滤波 cv2.blur]
    C --> G[输出平滑图像]
    E --> G
    F --> G

5. 完整代码实战：去噪效果对比

下面这段代码演示了如何添加噪声并应用三种不同的滤波方法进行对比。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 创建或读取带噪声的图像
def add_salt_pepper_noise(image, prob=0.02):
    """添加椒盐噪声"""
    output = image.copy()
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = np.random.rand()
            if rdn < prob:
                output[i][j] = 0  # 椒（黑）
            elif rdn > thres:
                output[i][j] = 255  # 盐（白）
    return output

# 读取图像（或创建测试图）
img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)
if img is None:
    # 若无图，创建一个渐变图
    img = np.zeros((300, 300), dtype=np.uint8)
    for i in range(300):
        img[i, :] = i // 3  # 垂直渐变

# 添加椒盐噪声
noisy = add_salt_pepper_noise(img)

# 2. 应用三种滤波
blur_mean = cv2.blur(noisy, (5, 5))
blur_gauss = cv2.GaussianBlur(noisy, (5, 5), 0)
blur_median = cv2.medianBlur(noisy, 5)

# 3. 使用 matplotlib 显示（灰度图）
images = [img, noisy, blur_mean, blur_gauss, blur_median]
titles = ['Original', 'Noisy (Salt & Pepper)', 'Mean Blur', 'Gaussian Blur', 'Median Blur']
plt.figure(figsize=(15, 6))
for i in range(len(images)):
    plt.subplot(2, 3, i + 1)
    plt.imshow(images[i], cmap='gray')
    plt.title(titles[i])
    plt.axis('off')
plt.tight_layout()
plt.show()

# 4. 保存结果
cv2.imwrite('denoised_mean.jpg', blur_mean)
cv2.imwrite('denoised_gauss.jpg', blur_gauss)
cv2.imwrite('denoised_median.jpg', blur_median)

✅ 运行效果预期：

• 均值滤波：整体模糊，噪点减少但边缘发虚
• 高斯滤波：较自然，噪点减弱，边缘尚可
• 中值滤波：椒盐点几乎消失，边缘清晰锐利！

6. 补充：何时使用哪种滤波？

7. 高级技巧：自适应高斯滤波

对于复杂图像，可结合边缘检测，只在平滑区域强滤波，边缘区域弱滤波：

# 简易自适应思路：边缘处用小核，非边缘用大核
edges = cv2.Canny(img, 50, 150)
smooth = cv2.GaussianBlur(img, (7, 7), 0)
# 边缘区域保留原图，非边缘用平滑图
result = np.where(edges == 255, img, smooth)

这是'双边滤波（Bilateral Filter）'的思想雏形，OpenCV 也提供 cv2.bilateralFilter()，但计算较慢。

8. 常见误区提醒

✅ 本章总结

现在你可以给一张噪点多的照片'一键磨皮'，或为 OCR 及目标检测提供干净输入。关键是学会根据噪声类型，选择最合适的'去噪武器'。