【OpenCV】Python图像处理之平滑处理

图像平滑（Image Smoothing）又称图像模糊，核心是通过邻域像素加权平均削弱图像中的高频噪声（如椒盐噪声、高斯噪声），同时尽可能保留图像的低频信号（如轮廓、大尺度纹理）。OpenCV 提供多种经典平滑算法，适配不同噪声类型和场景需求，广泛用于图像预处理（如特征提取、目标检测前降噪）、特效制作（如毛玻璃效果）等。

一、核心原理

1. 平滑的本质

图像噪声可视为像素值的随机波动（高频成分），平滑处理通过卷积运算 或邻域统计，用周围像素的 "平均信息" 替代当前像素的 "噪声信息"，从而降低波动：

• 卷积运算：用一个固定大小的 "核（Kernel）" 遍历图像，核内每个元素为权重，当前像素值 = 核与邻域像素的加权和；
• 邻域统计：直接计算邻域像素的均值、中值等统计量，作为当前像素的新值。

2. 常见噪声类型（平滑的处理目标）

噪声类型	特点	适配的平滑算法
椒盐噪声	图像中随机出现的黑白亮点（如通信干扰）	中值滤波（最优）、双边滤波
高斯噪声	像素值服从高斯分布的随机噪声（如传感器噪声）	高斯滤波（最优）、方框滤波
随机噪声	无固定分布的混合噪声	双边滤波、联合双边滤波

3. OpenCV 常用平滑算法对比

算法类型	核心逻辑	优点	缺点	适用场景
方框滤波（Box Blur）	邻域像素等权重平均（核内元素全为 1/(k×k)）	计算速度最快，实现简单	平滑过度易模糊细节	快速降噪、实时场景
高斯滤波（Gaussian Blur）	邻域像素按高斯分布加权平均（中心权重高、边缘低）	降噪效果好，细节保留好	计算速度中等	高斯噪声为主、需平衡降噪与细节
中值滤波（Median Blur）	邻域像素排序后取中值替代当前像素	椒盐噪声降噪最优，边缘保留好	对高斯噪声效果一般	椒盐噪声、脉冲噪声
双边滤波（Bilateral Filter）	结合空间距离权重和像素灰度相似度权重	降噪同时保留边缘（不模糊边缘）	计算速度最慢	需保护边缘的场景（如人脸、轮廓）

二、核心函数详解

1. 方框滤波：cv2.boxFilter()

函数原型

cv2.boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)

关键参数

参数	含义	默认值 / 常用值
src	输入图像（单通道 / 多通道）	-
ddepth	输出图像深度（-1 表示与输入一致）	-1
ksize	卷积核大小（格式 (width, height)，需为奇数）	如 (3,3), (5,5)
normalize	是否归一化（True：权重和为 1；False：直接求和可能溢出）	True（推荐）

2. 高斯滤波：cv2.GaussianBlur()

函数原型

cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

关键参数

参数	含义	默认值 / 常用值
sigmaX	X 方向高斯核标准差（控制模糊程度）	0（自动根据 ksize 计算）
sigmaY	Y 方向高斯核标准差（默认与 sigmaX 一致）	None（等于 sigmaX）
说明	核大小 ksize 越大、sigmaX 越大，模糊越强	-

3. 中值滤波：cv2.medianBlur()

函数原型

cv2.medianBlur(src, ksize, dst=None)

关键参数

参数	含义	注意事项
ksize	邻域大小（必须为奇数，如 3,5,7）	大小越大，降噪越强但细节越模糊
说明	仅支持单通道和 3 通道彩色图，不支持 4 通道（如透明图）	-

4. 双边滤波：cv2.bilateralFilter()

函数原型

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

关键参数

参数	含义	常用值范围
d	邻域直径（-1 表示自动根据 sigmaSpace 计算）	-1 或 5~15
sigmaColor	颜色空间标准差（越大，允许更多不同颜色参与平滑）	10~100
sigmaSpace	空间距离标准差（越大，邻域影响范围越大）	10~100
说明	sigmaColor 和 sigmaSpace 越大，模糊越强	-

三、完整实现代码（多种场景）

1. 基础场景：四种平滑算法效果对比

对同一张含噪声图像应用四种算法，直观对比降噪效果和细节保留能力：

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

# 1. 读取图像并添加混合噪声（模拟真实场景）
img = cv2.imread("lena.jpg")
if img is None:
    print("无法读取图像，请检查路径！")
    exit()
h, w = img.shape[:2]
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 添加高斯噪声 + 椒盐噪声
def add_mixed_noise(img, gauss_sigma=20, salt_pepper_ratio=0.02):
    """添加混合噪声"""
    # 高斯噪声
    gauss = np.random.normal(0, gauss_sigma, img.shape).astype(np.float32)
    img_noisy = img.astype(np.float32) + gauss
    img_noisy = np.clip(img_noisy, 0, 255).astype(np.uint8)
    # 椒盐噪声
    salt = np.random.rand(h, w) < salt_pepper_ratio/2
    pepper = np.random.rand(h, w) < salt_pepper_ratio/2
    img_noisy[salt] = 255
    img_noisy[pepper] = 0
    return img_noisy

img_noisy = add_mixed_noise(img)
img_noisy_rgb = cv2.cvtColor(img_noisy, cv2.COLOR_BGR2RGB)

# 2. 应用四种平滑算法
# 方框滤波（5×5核）
box_blur = cv2.boxFilter(img_noisy, -1, (5, 5), normalize=True)
box_blur_rgb = cv2.cvtColor(box_blur, cv2.COLOR_BGR2RGB)

# 高斯滤波（5×5核，sigmaX=10）
gauss_blur = cv2.GaussianBlur(img_noisy, (5, 5), sigmaX=10)
gauss_blur_rgb = cv2.cvtColor(gauss_blur, cv2.COLOR_BGR2RGB)

# 中值滤波（5×5核）
median_blur = cv2.medianBlur(img_noisy, 5)
median_blur_rgb = cv2.cvtColor(median_blur, cv2.COLOR_BGR2RGB)

# 双边滤波（d=9，sigmaColor=75，sigmaSpace=75）
bilateral_blur = cv2.bilateralFilter(img_noisy, d=9, sigmaColor=75, sigmaSpace=75)
bilateral_blur_rgb = cv2.cvtColor(bilateral_blur, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(16, 10))
# 原图 + 噪声图
plt.subplot(2, 3, 1)
plt.imshow(img_rgb)
plt.title("Original Image")
plt.axis("off")
plt.subplot(2, 3, 2)
plt.imshow(img_noisy_rgb)
plt.title("Image with Mixed Noise")
plt.axis("off")
# 四种平滑结果
plt.subplot(2, 3, 3)
plt.imshow(box_blur_rgb)
plt.title("Box Blur (5×5)")
plt.axis("off")
plt.subplot(2, 3, 4)
plt.imshow(gauss_blur_rgb)
plt.title("Gaussian Blur (5×5, σ=10)")
plt.axis("off")
plt.subplot(2, 3, 5)
plt.imshow(median_blur_rgb)
plt.title("Median Blur (5×5)")
plt.axis("off")
plt.subplot(2, 3, 6)
plt.imshow(bilateral_blur_rgb)
plt.title("Bilateral Blur (d=9, σc=75, σs=75)")
plt.axis("off")

plt.tight_layout()
plt.show()

2. 实用场景：针对性降噪（按噪声类型选择算法）

（1）椒盐噪声降噪（中值滤波最优）

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

# 1. 读取图像并添加椒盐噪声
img = cv2.imread("lena.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 添加椒盐噪声
h, w = img.shape[:2]
img_salt_pepper = img.copy()
ratio = 0.05  # 噪声比例
salt = np.random.rand(h, w) < ratio/2
pepper = np.random.rand(h, w) < ratio/2
img_salt_pepper[salt] = 255
img_salt_pepper[pepper] = 0
img_salt_pepper_rgb = cv2.cvtColor(img_salt_pepper, cv2.COLOR_BGR2RGB)

# 2. 中值滤波降噪（对比不同核大小）
median_3 = cv2.medianBlur(img_salt_pepper, 3)  # 3×3核
median_5 = cv2.medianBlur(img_salt_pepper, 5)  # 5×5核
median_7 = cv2.medianBlur(img_salt_pepper, 7)  # 7×7核

median_3_rgb = cv2.cvtColor(median_3, cv2.COLOR_BGR2RGB)
median_5_rgb = cv2.cvtColor(median_5, cv2.COLOR_BGR2RGB)
median_7_rgb = cv2.cvtColor(median_7, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(15, 8))
plt.subplot(2, 2, 1)
plt.imshow(img_salt_pepper_rgb)
plt.title("Salt & Pepper Noise (Ratio=5%)")
plt.axis("off")
plt.subplot(2, 2, 2)
plt.imshow(median_3_rgb)
plt.title("Median Blur (3×3)")
plt.axis("off")
plt.subplot(2, 2, 3)
plt.imshow(median_5_rgb)
plt.title("Median Blur (5×5)")
plt.axis("off")
plt.subplot(2, 2, 4)
plt.imshow(median_7_rgb)
plt.title("Median Blur (7×7)")
plt.axis("off")
plt.tight_layout()
plt.show()

（2）高斯噪声降噪（高斯滤波最优）

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

# 1. 读取图像并添加高斯噪声
img = cv2.imread("lena.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 添加高斯噪声（σ=30）
gauss = np.random.normal(0, 30, img.shape).astype(np.float32)
img_gauss = img.astype(np.float32) + gauss
img_gauss = np.clip(img_gauss, 0, 255).astype(np.uint8)
img_gauss_rgb = cv2.cvtColor(img_gauss, cv2.COLOR_BGR2RGB)

# 2. 高斯滤波降噪（对比不同 sigma 值）
gauss_σ5 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=5)
gauss_σ10 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=10)
gauss_σ20 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=20)

gauss_σ5_rgb = cv2.cvtColor(gauss_σ5, cv2.COLOR_BGR2RGB)
gauss_σ10_rgb = cv2.cvtColor(gauss_σ10, cv2.COLOR_BGR2RGB)
gauss_σ20_rgb = cv2.cvtColor(gauss_σ20, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(15, 8))
plt.subplot(2, 2, 1)
plt.imshow(img_gauss_rgb)
plt.title("Gaussian Noise (σ=30)")
plt.axis("off")
plt.subplot(2, 2, 2)
plt.imshow(gauss_σ5_rgb)
plt.title("Gaussian Blur (σ=5)")
plt.axis("off")
plt.subplot(2, 2, 3)
plt.imshow(gauss_σ10_rgb)
plt.title("Gaussian Blur (σ=10)")
plt.axis("off")
plt.subplot(2, 2, 4)
plt.imshow(gauss_σ20_rgb)
plt.title("Gaussian Blur (σ=20)")
plt.axis("off")
plt.tight_layout()
plt.show()

（3）边缘保留平滑（双边滤波）

import cv2
import matplotlib.pyplot as plt

# 1. 读取含清晰边缘的图像（如人脸、物体轮廓）
img = cv2.imread("face.jpg")
if img is None:
    img = cv2.imread("lena.jpg")  # 备用图像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 2. 添加噪声
gauss = np.random.normal(0, 25, img.shape).astype(np.float32)
img_noisy = img.astype(np.float32) + gauss
img_noisy = np.clip(img_noisy, 0, 255).astype(np.uint8)
img_noisy_rgb = cv2.cvtColor(img_noisy, cv2.COLOR_BGR2RGB)

# 3. 对比：高斯滤波（模糊边缘）vs 双边滤波（保留边缘）
gauss_blur = cv2.GaussianBlur(img_noisy, (7, 7), sigmaX=15)
bilateral_blur = cv2.bilateralFilter(img_noisy, d=9, sigmaColor=80, sigmaSpace=80)

gauss_blur_rgb = cv2.cvtColor(gauss_blur, cv2.COLOR_BGR2RGB)
bilateral_blur_rgb = cv2.cvtColor(bilateral_blur, cv2.COLOR_BGR2RGB)

# 4. 显示结果
plt.figure(figsize=(15, 8))
plt.subplot(2, 2, 1)
plt.imshow(img_rgb)
plt.title("Original Image")
plt.axis("off")
plt.subplot(2, 2, 2)
plt.imshow(img_noisy_rgb)
plt.title("Image with Noise")
plt.axis("off")
plt.subplot(2, 2, 3)
plt.imshow(gauss_blur_rgb)
plt.title("Gaussian Blur (Blur Edges)")
plt.axis("off")
plt.subplot(2, 2, 4)
plt.imshow(bilateral_blur_rgb)
plt.title("Bilateral Blur (Preserve Edges)")
plt.axis("off")
plt.tight_layout()
plt.show()

3. 创意场景：平滑实现毛玻璃特效

通过方框滤波或高斯滤波，实现图片毛玻璃模糊效果：

import cv2
import matplotlib.pyplot as plt

# 1. 读取图像
img = cv2.imread("scenery.jpg")
if img is None:
    img = cv2.imread("lena.jpg")
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 2. 毛玻璃特效（大核高斯滤波或方框滤波）
frosted_glass = cv2.GaussianBlur(img, (15, 15), sigmaX=20)  # 15×15核，强模糊
# 或用方框滤波：frosted_glass = cv2.boxFilter(img, -1, (15,15))
frosted_glass_rgb = cv2.cvtColor(frosted_glass, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.imshow(img_rgb)
plt.title("Original Image")
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(frosted_glass_rgb)
plt.title("Frosted Glass Effect")
plt.axis("off")
plt.tight_layout()
plt.show()

# 保存特效图像
cv2.imwrite("frosted_glass.jpg", frosted_glass)
print("毛玻璃特效生成完成！")

四、关键说明与实践技巧

1. 算法选择指南（核心）

噪声类型	首选算法	核大小 / 参数建议
椒盐噪声	中值滤波	3×3~7×7（噪声比例越高，核越大）
高斯噪声	高斯滤波	3×3~5×5，sigmaX=5~20（噪声越强，sigma 越大）
混合噪声	双边滤波 / 中值 + 高斯	中值滤波去椒盐 + 高斯滤波去高斯
需保留边缘	双边滤波	d=9~15，sigmaColor=50~100，sigmaSpace=50~100
实时性要求高	方框滤波	3×3~5×5（速度最快）

2. 核大小与参数调整原则

• 核大小（ksize）：必须为奇数（保证卷积中心对称），越大模糊越强，但细节损失越多；
• 高斯滤波 sigma：sigma 越大，高斯曲线越平缓，模糊越强；sigma=0 时自动按核大小计算（sigma = 0.3×((ksize-1)×0.5 - 1) + 0.8）；
• 双边滤波 d：d=-1 时自动适配 sigmaSpace，d 越大计算越慢，但模糊越均匀；
• 平衡原则：降噪强度与细节保留成反比，需根据实际需求调整（如人脸降噪可适当强模糊，文字图像需弱模糊保细节）。

3. 典型应用场景

• 图像预处理：目标检测、人脸识别前降噪，提升模型准确率（如 OpenCV 人脸检测前常用高斯滤波）；
• 图像增强：去除老照片噪声、优化低光照图像质量；
• 特效制作：毛玻璃、背景虚化、模糊水印等创意效果；
• 视频处理：实时视频降噪（如监控视频、直播画面），需选择快速算法（方框滤波、小核高斯滤波）。

五、注意事项

1. 彩色图处理：OpenCV 平滑函数自动支持彩色图（BGR 三通道分别处理），无需手动拆分通道；
2. 数据类型 ：输入图像需为 uint8 类型（0~255），若为浮点型需先归一化到 0~255，避免溢出；
3. 边缘处理 ：平滑时图像边缘像素的邻域不完整，borderType 参数控制边缘填充方式（默认 BORDER_CONSTANT 填充黑色，可改为 BORDER_REPLICATE 复制边缘像素，避免黑边）；
4. 性能优化 ：
   • 实时场景：优先用方框滤波或 3×3 小核高斯滤波；
   • 大规模图像：可先缩小图像再平滑，最后放大（平衡速度与效果）；
   • 双边滤波加速：减小 d 值（如 d=5），适当增大 sigmaColor 和 sigmaSpace，兼顾速度与效果。

图像平滑是图像处理的基础操作，核心是根据噪声类型和场景需求选择合适的算法。掌握 "中值去椒盐、高斯去高斯、双边保边缘" 的核心原则，再通过调整核大小和参数，就能应对绝大多数降噪和平滑需求。