中值滤波、方框滤波、高斯滤波、均值滤波、膨胀、腐蚀、开运算、闭运算

1.1 常见图像噪声类型

高斯噪声：符合正态分布的随机噪声
椒盐噪声：随机出现的黑白像素点
泊松噪声：光子计数噪声
量化噪声：模拟信号数字化过程中产生

2.1 均值滤波（Averaging Filter）

原理：用邻域像素的平均值替换中心像素值

python 复制代码

blur_3x3 = cv2.blur(noisy_img, (3,3))  # 3×3小窗口

效果分析：

窗口越大，去噪效果越强，但图像越模糊
计算速度快，适合实时处理
会模糊边缘和细节

2.2 方框滤波（Box Filter）

原理：均值滤波的通用形式，可选择是否归一化

python 复制代码

# 非归一化方框滤波（像素值可能溢出）
box_nonorm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=False)
# 归一化方框滤波
box_norm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=True)

特殊应用：

非归一化滤波可用于局部对比度增强
归一化时与均值滤波效果相同

2.3 高斯滤波（Gaussian Filter）

原理：使用高斯函数作为权重，距离中心越近权重越大

python 复制代码

# 不同标准差的高斯滤波
gauss_small = cv2.GaussianBlur(noisy_img, (5,5), 1)  # 小标准差
gauss_large = cv2.GaussianBlur(noisy_img, (5,5), 3)  # 大标准差

参数选择技巧：

标准差σ与窗口大小关系：ksize ≈ (6σ+1)
σ越大，平滑效果越强，但计算量也越大

2.4 中值滤波（Median Filter）

原理：用邻域像素的中值替换中心像素值

python 复制代码

# 中值滤波去噪
median_3 = cv2.medianBlur(sp_noisy, 3)
median_5 = cv2.medianBlur(sp_noisy, 5)

适用场景：

对椒盐噪声效果显著
能较好保持边缘锐利度
计算复杂度高于线性滤波

1、膨胀：

其原理是：将核在原始图像中进行遍历，然后将原始图像遍历到的像素点的值与自定义卷积核(全为1的二维矩阵)得值进行与运算，像素点与对应核一一对应进行与，当卷积核对应的元素值只要有一个为1时，设置卷积核中心值的像素点为1，如果全为0，,则其值设置为0.

2、腐蚀:

其原理是：将核在原始图像中进行遍历，然后将原始图像遍历到的像素点的值与自定义卷积核(全为1的二维矩阵)得值进行与运算，像素点与对应核一一对应进行与，当卷积核对应的元素值均为1时，设置卷积核中心值的像素点为1，否则其值设置为0.

3、开运算原理

1）原理：图像开运算是图像依次经过腐蚀、膨胀处理后的过程。

2）特点：图像被腐蚀后，去除了噪声，但是也压缩了图像；接着对腐蚀过的图像进行膨胀处理，可以去除噪声，并保留原有图像

在OpenCV中，同样提供开运算的库函数，函数原型如下所示

1）、函数原型：result =cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

img：需要进行开运算处理的图像
cv2.MORPH_OPEN：图像进行开运算需要填写的参数(进行开运算时，该参数为固定参数不可改变)
kernel：卷积核模板，例如kernel = np.ones((5,5), np.uint8)，5x5的卷积核

4、闭运算原理

1）、原理：图像开运算是图像依次经过膨胀、再腐蚀处理后的过程

2）、特点：图像先膨胀，后腐蚀，它有助于关闭前景物体内部的小孔，或物体上的小黑点。

闭运算可以消除图像轮廓内部的噪声

OpenCV中，也提供了图像闭运算的函数，和开运算库函数一样，唯一不同则为闭运算对应自己的参数，函数原型如下：

1）、函数原型：result =cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

img：需要进行开运算处理的图像

cv2.MORPH_CLOSE：图像进行闭运算需要填写的参数(进行闭运算时，该参数为固定参数不可改变)

kernel：卷积核模板，例如kernel = np.ones((5,5), np.uint8)，5x5的卷积核