# 人工智能之视觉领域 计算机视觉

第六章 图像平滑处理

---

# 前言：图像平滑处理（去噪）

> **学习目标**：理解“图像噪声”的来源与类型，掌握三种主流平滑滤波方法（均值、高斯、中值），能根据噪声特点选择合适的去噪策略，为后续边缘检测、特征提取等任务提供干净图像。

---

## 1. 通俗理解：什么是图像平滑？

想象你用手机拍了一张夜景照片，放大后发现有很多 **彩色小点**（噪点）；
或者扫描一张老报纸，纸上出现很多 **黑白杂点**。

> ✅ **图像平滑 = 给图像“磨皮”或“柔化”**
> 目的：**抑制噪声、模糊细节、使图像更平滑**

但注意：**平滑 ≠ 越模糊越好**！
我们要在“去噪”和“保留细节”之间找平衡。

---

## 2. 常见噪声类型与对应策略

| 噪声类型 | 视觉表现 | 成因 | 推荐滤波方法 |
|--------|--------|------|------------|
| **高斯噪声** | 随机分布的微小亮度变化（像雾） | 传感器热噪声、电子干扰 | **高斯滤波** |
| **椒盐噪声** | 随机出现的纯黑/纯白像素点 | 信号传输错误、坏像素 | **中值滤波** |
| **均匀噪声** | 像素值在固定范围内随机波动 | 量化误差 | 均值或高斯滤波 |

> 🎯 **核心思想**：
> 滤波器通过 **邻域像素加权平均** 来替代中心像素，从而“平均掉”异常值。

---

## 3. 三大平滑滤波方法详解

### 3.1 均值滤波（Mean / Box Filter）

**原理**：用一个方形窗口（如 5×5），对窗口内所有像素取**算术平均值**，替换中心像素。

- 简单粗暴，计算快
- 缺点：**严重模糊边缘和细节**

#### 🔧 函数：`cv2.blur(src, ksize)`

```python
blurred = cv2.blur(img, (5, 5))  # 5x5 均值核
```

> `ksize`：核大小（必须是正奇数，如 3, 5, 7）

---

### 3.2 高斯滤波（Gaussian Blur）

**原理**：使用**高斯函数**作为权重，中心像素权重最大，越远权重越小。
👉 既能去噪，又能较好保留边缘！

- 最常用、最推荐的通用去噪方法
- 参数少，效果稳定

#### 🔧 函数：`cv2.GaussianBlur(src, ksize, sigmaX)`

```python
gaussian = cv2.GaussianBlur(img, (5, 5), 0)
```

| 参数 | 说明 |
|------|------|
| `ksize` | 核大小（如 (5,5)，必须为正奇数） |
| `sigmaX` | X 方向的标准差• 设为 0 → 自动根据 ksize 计算• 值越大 → 模糊越强 |

> 💡 **经验法则**：
> 
> - 轻微去噪：`ksize=(3,3)`
> - 中等去噪：`ksize=(5,5)`
> - 强去噪：`ksize=(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（只从原图选）
- 能有效去除“斑点”，同时保留边缘

#### 🔧 函数：`cv2.medianBlur(src, ksize)`

```python
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（Mermaid 流程图）

```mermaid
graph LR
    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| 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

```python
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？

| 场景 | 推荐方法 | 理由 |
|------|--------|------|
| **人脸美颜（轻微磨皮）** | 高斯滤波 `(3,3)` | 保留五官轮廓，柔化皮肤 |
| **去除扫描文档上的黑点** | 中值滤波 `k=3` | 消除孤立噪点，文字不变形 |
| **预处理用于边缘检测** | 高斯滤波 `(5,5)` | 先去噪再检测，避免假边缘 |
| **快速实时视频去噪** | 均值滤波 `(3,3)` | 计算最快，适合性能受限场景 |

---

## 7. 高级技巧：自适应高斯滤波（按区域调整强度）

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**：

```python
# 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

| 误区 | 正确认知 |
|------|--------|
| “滤波核越大越好” | 过大会导致严重模糊，丢失关键信息 |
| “中值滤波能去所有噪声” | 对高斯噪声效果一般，仅擅长椒盐噪声 |
| “平滑后图像更‘清晰’” | 平滑 = 模糊！清晰度下降，但信噪比提升 |
| “彩色图不能直接滤波” | 可以！OpenCV 会自动对每个通道分别处理 |

---

## ✅ 本章总结

| 滤波方法 | 核心思想 | 优点 | 缺点 | 适用噪声 |
|--------|--------|------|------|--------|
| **均值滤波** | 邻域平均 | 快速简单 | 模糊严重 | 均匀噪声 |
| **高斯滤波** | 加权平均（中心权重高） | 保边去噪 | 对椒盐噪声弱 | 高斯噪声 |
| **中值滤波** | 取中位数 | 消除椒盐点、保边 | 计算稍慢 | 椒盐噪声 |

> 🌟 **现在可以**：
> 
> - 给一张噪点多的照片“一键磨皮”
> - 为 OCR 或目标检测提供干净输入
> - 根据噪声类型，选择最合适的“去噪武器”！

# 资料关注

公众号：咚咚王

《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论  第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》



学习目标：理解“图像噪声”的来源与类型，掌握三种主流平滑滤波方法（均值、高斯、中值），能根据噪声特点选择合适的去噪策略，为后续边缘检测、特征提取等任务提供干净图像。

人工智能之视觉领域 计算机视觉 第六章 图像平滑处理

技术岗

人工智能

编程语言

音视频

本文讲解图像平滑处理技术，涵盖均值滤波、高斯滤波和中值滤波三种核心去噪方法。针对不同噪声类型（高斯噪声、椒盐噪声、均匀噪声）提供对应解决方案，通过Python代码演示实际应用效果，帮助读者掌握在保留图像细节的同时有效去除噪声的技巧，为计算机视觉任务提供高质量图像预处理方案。

自然语言处理

计算机视觉

智能创作

机器学习

深度学习

数据分析

大数据

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

人工智能之视觉领域 计算机视觉 第六章 图像平滑处理-腾讯云开发者社区-腾讯云

人工智能之视觉领域计算机视觉第六章图像平滑处理

人工智能之视觉领域计算机视觉第六章图像平滑处理

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域 计算机视觉 第六章 图像平滑处理

人工智能之视觉领域 计算机视觉 第六章 图像平滑处理

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域计算机视觉第六章图像平滑处理

人工智能之视觉领域计算机视觉第六章图像平滑处理