图像滤波是图像去噪、平滑处理的核心操作，OpenCV 内置了多种高效滤波 API。本文通过极简代码，一次性演示均值、高斯、中值、双边四种常用滤波的实现方法，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 读取原始图像
src = cv.imread(".\image\5.bmp")
if src is None:
print('could not load image')
exit()
# 1. 均值滤波：核大小(5,5)（需为奇数）
img_mean = cv.blur(src, (5, 5))
# 2. 高斯滤波：核大小(5,5)，标准差设0（自动计算）
img_guassion = cv.GaussianBlur(src, (5, 5), 0)
# 3. 中值滤波：核大小5（仅需单数值，需为奇数）
img_median = cv.medianBlur(src, 5)
# 4. 双边滤波：核大小9，颜色标准差75，空间标准差75
img_bilater = cv.bilateralFilter(src, 9, 75, 75)
# 显示四种滤波结果
cv.imshow("img_mean", img_mean)
cv.imshow("img_gussion", img_guassion)
cv.imshow("img_median", img_median)
cv.imshow("img_bilater", img_bilater)
cv.waitKey(0)
cv.destroyAllWindows()关键知识点解析
| 滤波类型 | 核心 API | 关键参数说明 | 特点与适用场景 |
|---|---|---|---|
| 均值滤波 | cv.blur |
(图像，核大小)，核需为奇数 | 简单平滑，去噪但易模糊边缘，适用于轻微噪声 |
| 高斯滤波 | cv.GaussianBlur |
(图像，核大小，标准差)，标准差 0 自动算 | 加权平滑，去噪同时保留更多边缘 |
| 中值滤波 | cv.medianBlur |
(图像，核大小)，核需为奇数 | 对椒盐噪声（白点 / 黑点）效果最佳 |
| 双边滤波 | cv.bilateralFilter |
(图像，核大小，颜色 σ, 空间 σ) | 保边去噪，保留边缘细节，计算稍慢 |
重要注意事项
- 所有滤波的核大小需为奇数（如 3、5、9），否则会触发报错；
- 高斯滤波标准差设 0 时，OpenCV 会根据核大小自动计算最优值；
- 双边滤波的
颜色σ越大，允许更多颜色差异的像素参与滤波；空间σ越大，滤波范围越广。
总结
- 基础去噪选均值 / 高斯滤波，高斯滤波边缘保留效果更优；
- 处理椒盐噪声优先使用中值滤波；
- 人像、纹理图等需保边的精细去噪场景，选择双边滤波。