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

---

文章目录

• [人工智能之视觉领域 计算机视觉](#人工智能之视觉领域 计算机视觉)
• 前言：图像平滑处理（去噪）
• • [1. 通俗理解：什么是图像平滑？](#1. 通俗理解：什么是图像平滑？)
  • [2. 常见噪声类型与对应策略](#2. 常见噪声类型与对应策略)
  • [3. 三大平滑滤波方法详解](#3. 三大平滑滤波方法详解)
  • • [3.1 均值滤波（Mean / Box Filter）](#3.1 均值滤波（Mean / Box Filter）)
    • • [🔧 函数：`cv2.blur(src, ksize)`](#🔧 函数：cv2.blur(src, ksize))
    • [3.2 高斯滤波（Gaussian Blur）](#3.2 高斯滤波（Gaussian Blur）)
    • • [🔧 函数：`cv2.GaussianBlur(src, ksize, sigmaX)`](#🔧 函数：cv2.GaussianBlur(src, ksize, sigmaX))
    • [3.3 中值滤波（Median Blur）](#3.3 中值滤波（Median Blur）)
    • • [🔧 函数：`cv2.medianBlur(src, ksize)`](#🔧 函数：cv2.medianBlur(src, ksize))
  • [4. 三种滤波效果对比（Mermaid 流程图）](#4. 三种滤波效果对比（Mermaid 流程图）)
  • [5. 完整代码实战：去噪效果对比](#5. 完整代码实战：去噪效果对比)
  • [6. 补充：何时使用哪种滤波？](#6. 补充：何时使用哪种滤波？)
  • [7. 高级技巧：自适应高斯滤波（按区域调整强度）](#7. 高级技巧：自适应高斯滤波（按区域调整强度）)
  • [8. 常见误区提醒](#8. 常见误区提醒)
  • [✅ 本章总结](#✅ 本章总结)
• 资料关注

---

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)

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)

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)

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）

椒盐噪声
高斯/均匀噪声
是
否
含噪声图像
噪声类型?
中值滤波 cv2.medianBlur
是否需保留边缘?
高斯滤波 cv2.GaussianBlur
均值滤波 cv2.blur
输出平滑图像

---

5. 完整代码实战：去噪效果对比

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？

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：

# 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

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》