OpenCV去噪算法实战：中值滤波与双边滤波应用

编码小哥2026-05-31 15:47

目录

一、图像噪声概述

[1.1 什么是图像噪声？](#1.1 什么是图像噪声？)

[1.2 常见噪声类型](#1.2 常见噪声类型)

[1.3 噪声对图像的影响](#1.3 噪声对图像的影响)

二、噪声模拟

[2.1 高斯噪声模拟](#2.1 高斯噪声模拟)

[2.2 椒盐噪声模拟](#2.2 椒盐噪声模拟)

[2.3 泊松噪声模拟](#2.3 泊松噪声模拟)

三、中值滤波去噪

[3.1 基本原理](#3.1 基本原理)

[3.2 OpenCV实现](#3.2 OpenCV实现)

[3.2.1 基本中值滤波](#3.2.1 基本中值滤波)

[3.2.2 不同核大小对比](#3.2.2 不同核大小对比)

[3.3 自适应中值滤波](#3.3 自适应中值滤波)

四、双边滤波去噪

[4.1 基本原理](#4.1 基本原理)

[4.2 OpenCV实现](#4.2 OpenCV实现)

[4.2.1 基本双边滤波](#4.2.1 基本双边滤波)

[4.2.2 不同参数对比](#4.2.2 不同参数对比)

[4.3 快速双边滤波](#4.3 快速双边滤波)

五、非局部均值去噪

[5.1 基本原理](#5.1 基本原理)

[5.2 OpenCV实现](#5.2 OpenCV实现)

[5.2.1 彩色图像非局部均值去噪](#5.2.1 彩色图像非局部均值去噪)

[5.2.2 灰度图像非局部均值去噪](#5.2.2 灰度图像非局部均值去噪)

[5.3 不同参数对比](#5.3 不同参数对比)

六、去噪方法对比

[6.1 不同噪声类型的去噪效果](#6.1 不同噪声类型的去噪效果)

[6.2 去噪效果评估](#6.2 去噪效果评估)

七、实战案例

[7.1 老照片去噪](#7.1 老照片去噪)

[7.2 医学图像去噪](#7.2 医学图像去噪)

[7.3 夜间图像去噪](#7.3 夜间图像去噪)

[7.4 视频去噪](#7.4 视频去噪)

八、总结

[8.1 核心要点](#8.1 核心要点)

[8.2 最佳实践](#8.2 最佳实践)

一、图像噪声概述

1.1 什么是图像噪声？

图像噪声是指在图像获取、传输或处理过程中引入的随机干扰信号。噪声会降低图像质量，影响后续的图像处理和分析任务。

1.2 常见噪声类型

按统计特性分类：

高斯噪声：服从高斯分布的随机噪声

椒盐噪声：随机出现的黑白像素点

泊松噪声：与信号强度相关的噪声

均匀噪声：在特定范围内均匀分布的噪声
按产生原因分类：

传感器噪声：相机传感器产生的噪声

传输噪声：图像传输过程中引入的噪声

量化噪声：模数转换过程中产生的噪声

环境噪声：光照、温度等环境因素引起的噪声

1.3 噪声对图像的影响

主要影响：

降低图像质量

影响边缘检测

干扰特征提取

降低识别准确率

影响视觉效果

二、噪声模拟

2.1 高斯噪声模拟

python 复制代码 
import cv2

import numpy as np

#读取图像

image = cv2.imread('clean_image.jpg')

#添加高斯噪声

mean: 均值

sigma: 标准差

mean = 0

sigma = 25



#生成高斯噪声

noise = np.random.normal(mean, sigma, image.shape).astype(np.uint8)



#添加噪声到图像

noisy_image = cv2.add(image, noise)



#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Gaussian Noisy Image', noisy_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

2.2 椒盐噪声模拟

python 复制代码 
import cv2

import numpy as np



#读取图像

image = cv2.imread('clean_image.jpg')



#添加椒盐噪声

amount: 噪声比例（0-1）

amount = 0.05



#创建噪声掩码

noise_mask = np.random.random(image.shape[:2]) < amount



#添加椒盐噪声

noisy_image = image.copy()

noisy_image[noise_mask] = 0  胡椒噪声（黑色）

noisy_image[noise_mask] = 255  盐噪声（白色）



#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Salt & Pepper Noisy Image', noisy_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

2.3 泊松噪声模拟

python 复制代码 
import cv2

import numpy as np



#读取图像

image = cv2.imread('clean_image.jpg')



#转换为浮点型并归一化

image_float = image.astype(np.float32) / 255.0



#添加泊松噪声

#泊松噪声的强度与信号强度相关

noisy_image_float = np.random.poisson(image_float * 255.0) / 255.0



#转换回uint8

noisy_image = (np.clip(noisy_image_float, 0, 1) * 255).astype(np.uint8)



#显示结果

cv2.imshow('Original Image', image)

cv2.imshow('Poisson Noisy Image', noisy_image)

cv2.waitKey(0)

cv2.destroyAllWindows()

三、中值滤波去噪

3.1 基本原理

中值滤波是一种非线性滤波方法，它用邻域内所有像素的中值来替代中心像素的值。中值滤波对椒盐噪声有很好的去除效果。

算法步骤：

  1. 将滤波核覆盖的邻域像素排序

  2. 选择中间值（中值）作为输出

  3. 对所有像素重复此过程

特点：

对椒盐噪声效果极佳

能够较好地保留边缘

计算量较大（需要排序）

对高斯噪声效果一般

3.2 OpenCV实现

3.2.1 基本中值滤波

python 复制代码 
import cv2

import numpy as np



#读取含噪图像

noisy_image = cv2.imread('salt_pepper_noise.jpg')



#中值滤波

ksize: 滤波核大小，必须是正奇数且大于1

ksize = 5

denoised = cv2.medianBlur(noisy_image, ksize)



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Median Filtered Image', denoised)

cv2.waitKey(0)

cv2.destroyAllWindows()

3.2.2 不同核大小对比

python 复制代码 
import cv2

import numpy as np

import matplotlib.pyplot as plt



#读取含噪图像

noisy_image = cv2.imread('salt_pepper_noise.jpg')



#测试不同的核大小

kernel_sizes = [3, 5, 7, 9]



plt.figure(figsize=(15, 5))



for i, ksize in enumerate(kernel_sizes):

    #中值滤波

    denoised = cv2.medianBlur(noisy_image, ksize)

   

    plt.subplot(1, len(kernel_sizes), i + 1)

    plt.imshow(cv2.cvtColor(denoised, cv2.COLOR_BGR2RGB))

    plt.title(f'Kernel Size: {ksize}')

    plt.axis('off')



plt.tight_layout()

plt.show()

3.3 自适应中值滤波

python 复制代码 
import cv2

import numpy as np



def adaptive_median_filter(image, max_kernel_size=7):

    """

    自适应中值滤波

   

    参数:

        image: 输入图像

        max_kernel_size: 最大核大小

       

    返回:

        去噪后的图像

    """

    result = image.copy()

    h, w = image.shape[:2]

   

    #转换为灰度图

    if len(image.shape) == 3:

        gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    else:

        gray = image.copy()

   

    #对每个像素应用自适应中值滤波

    for y in range(h):

        for x in range(w):

            #从最小核大小开始

            kernel_size = 3

           

            while kernel_size <= max_kernel_size:

                #计算核的边界

                half = kernel_size // 2

                y_min = max(0, y half)

                y_max = min(h, y + half + 1)

                x_min = max(0, x half)

                x_max = min(w, x + half + 1)

               

                #提取邻域

                neighborhood = gray[y_min:y_max, x_min:x_max]

               

                #计算中值、最小值、最大值

                median = np.median(neighborhood)

                min_val = np.min(neighborhood)

                max_val = np.max(neighborhood)

               

                #判断是否为噪声

                if min_val < median < max_val:

                    #不是噪声，使用中值

                    result[y, x] = median

                    break

                else:

                    #可能是噪声，增大核大小

                    kernel_size += 2

   

    return result



#读取含噪图像

noisy_image = cv2.imread('salt_pepper_noise.jpg')



#自适应中值滤波

denoised = adaptive_median_filter(noisy_image, max_kernel_size=7)



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Adaptive Median Filtered Image', denoised)

cv2.waitKey(0)

cv2.destroyAllWindows()

四、双边滤波去噪

4.1 基本原理

双边滤波是一种非线性滤波方法，它同时考虑像素的空间距离和灰度差异，能够在平滑图像的同时很好地保留边缘。

双边滤波的两个高斯函数：

  1. 空间高斯函数：考虑像素的空间距离

```

Ws(x, y) = exp(-(||x y||²)/(2σs²))

```

  1. 值域高斯函数：考虑像素的灰度差异

```

Wr(x, y) = exp(-(||I(x) I(y)||²)/(2σr²))

```

双边滤波的权重：

```

W(x, y) = Ws(x, y) * Wr(x, y)

```

特点：

能够在去噪的同时保留边缘

适用于保边去噪

计算量大，速度较慢

参数调节需要经验

4.2 OpenCV实现

4.2.1 基本双边滤波

python 复制代码 
import cv2

import numpy as np



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg')



#双边滤波

#d: 滤波过程中每个像素邻域的直径

#sigmaColor: 颜色空间的标准差，值越大表示颜色相近的像素影响越大

#sigmaSpace: 坐标空间的标准差，值越大表示距离较远的像素影响越大

d = 9

sigmaColor = 75

sigmaSpace = 75



denoised = cv2.bilateralFilter(noisy_image, d, sigmaColor, sigmaSpace)



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Bilateral Filtered Image', denoised)

cv2.waitKey(0)

cv2.destroyAllWindows()

4.2.2 不同参数对比

python 复制代码 
import cv2

import numpy as np

import matplotlib.pyplot as plt



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg')



#测试不同的参数

params = [

    (5, 50, 50),   轻度去噪

    (9, 75, 75),   中度去噪

    (15, 100, 100) 重度去噪

]



plt.figure(figsize=(15, 5))



for i, (d, sigmaColor, sigmaSpace) in enumerate(params):

    #双边滤波

    denoised = cv2.bilateralFilter(noisy_image, d, sigmaColor, sigmaSpace)

   

    plt.subplot(1, len(params), i + 1)

    plt.imshow(cv2.cvtColor(denoised, cv2.COLOR_BGR2RGB))

    plt.title(f'd={d}, σc={sigmaColor}, σs={sigmaSpace}')

    plt.axis('off')



plt.tight_layout()

plt.show()

4.3 快速双边滤波

python 复制代码 
import cv2

import numpy as np



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg')



#方法1：标准双边滤波（慢）

start = time.time()

denoised_slow = cv2.bilateralFilter(noisy_image, 9, 75, 75)

time_slow = time.time() start



#方法2：快速双边滤波（使用jointBilateralFilter）

#注意：OpenCV没有直接的jointBilateralFilter函数

#这里使用近似方法



#方法3：使用小核多次双边滤波

start = time.time()

denoised_fast = noisy_image.copy()

for _ in range(3):

    denoised_fast = cv2.bilateralFilter(denoised_fast, 5, 50, 50)

time_fast = time.time() start



print(f"标准双边滤波时间: {time_slow:.3f}秒")

print(f"快速双边滤波时间: {time_fast:.3f}秒")



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Standard Bilateral Filter', denoised_slow)

cv2.imshow('Fast Bilateral Filter', denoised_fast)

cv2.waitKey(0)

cv2.destroyAllWindows()

五、非局部均值去噪

5.1 基本原理

非局部均值去噪（Non-Local Means Denoising）是一种基于图像自相似性的去噪方法。它利用图像中相似块的统计特性进行去噪。

算法思想：

图像中存在许多相似的块

利用相似块的统计信息进行去噪

保留图像的细节和纹理

特点：

去噪效果好

能够保留细节

计算量大

适合静态图像

5.2 OpenCV实现

5.2.1 彩色图像非局部均值去噪

python 复制代码 
import cv2

import numpy as np



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg')



#非局部均值去噪

#h: 滤波强度，值越大去噪效果越强

#hForColorComponents: 颜色通道的滤波强度

#templateWindowSize: 模板窗口大小

#searchWindowSize: 搜索窗口大小

h = 10

hForColorComponents = 10

templateWindowSize = 7

searchWindowSize = 21



denoised = cv2.fastNlMeansDenoisingColored(noisy_image, None, h, hForColorComponents,

                                          templateWindowSize, searchWindowSize)



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Non-Local Means Denoised Image', denoised)

cv2.waitKey(0)

cv2.destroyAllWindows()

5.2.2 灰度图像非局部均值去噪

python 复制代码 
import cv2

import numpy as np



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)



#非局部均值去噪

#h: 滤波强度，值越大去噪效果越强

#templateWindowSize: 模板窗口大小

#searchWindowSize: 搜索窗口大小

h = 10

templateWindowSize = 7

searchWindowSize = 21



denoised = cv2.fastNlMeansDenoising(noisy_image, None, h, templateWindowSize, searchWindowSize)



#显示结果

cv2.imshow('Noisy Image', noisy_image)

cv2.imshow('Non-Local Means Denoised Image', denoised)

cv2.waitKey(0)

cv2.destroyAllWindows()

5.3 不同参数对比

python 复制代码 
import cv2

import numpy as np

import matplotlib.pyplot as plt



#读取含噪图像

noisy_image = cv2.imread('noisy_image.jpg')



#测试不同的h值

h_values = [5, 10, 15, 20]



plt.figure(figsize=(15, 5))



for i, h in enumerate(h_values):

    #非局部均值去噪

    denoised = cv2.fastNlMeansDenoisingColored(noisy_image, None, h, h, 7, 21)

   

    plt.subplot(1, len(h_values), i + 1)

    plt.imshow(cv2.cvtColor(denoised, cv2.COLOR_BGR2RGB))

    plt.title(f'h = {h}')

    plt.axis('off')



plt.tight_layout()

plt.show()

六、去噪方法对比

6.1 不同噪声类型的去噪效果

python 复制代码 
import cv2

import numpy as np

import matplotlib.pyplot as plt



#读取图像

image = cv2.imread('clean_image.jpg')



#添加高斯噪声

gaussian_noise = np.random.normal(0, 25, image.shape).astype(np.uint8)

gaussian_noisy = cv2.add(image, gaussian_noise)



#添加椒盐噪声

salt_pepper_mask = np.random.random(image.shape[:2]) < 0.05

salt_pepper_noisy = image.copy()

salt_pepper_noisy[salt_pepper_mask] = 0

salt_pepper_noisy[salt_pepper_mask] = 255



#高斯噪声去噪

gaussian_denoised_median = cv2.medianBlur(gaussian_noisy, 5)

gaussian_denoised_bilateral = cv2.bilateralFilter(gaussian_noisy, 9, 75, 75)

gaussian_denoised_nlm = cv2.fastNlMeansDenoisingColored(gaussian_noisy, None, 10, 10, 7, 21)



#椒盐噪声去噪

salt_pepper_denoised_median = cv2.medianBlur(salt_pepper_noisy, 5)

salt_pepper_denoised_bilateral = cv2.bilateralFilter(salt_pepper_noisy, 9, 75, 75)

salt_pepper_denoised_nlm = cv2.fastNlMeansDenoisingColored(salt_pepper_noisy, None, 10, 10, 7, 21)



#显示结果

plt.figure(figsize=(15, 10))



#高斯噪声

plt.subplot(2, 4, 1)

plt.imshow(cv2.cvtColor(gaussian_noisy, cv2.COLOR_BGR2RGB))

plt.title('Gaussian Noisy')

plt.axis('off')



plt.subplot(2, 4, 2)

plt.imshow(cv2.cvtColor(gaussian_denoised_median, cv2.COLOR_BGR2RGB))

plt.title('Median Filter')

plt.axis('off')



plt.subplot(2, 4, 3)

plt.imshow(cv2.cvtColor(gaussian_denoised_bilateral, cv2.COLOR_BGR2RGB))

plt.title('Bilateral Filter')

plt.axis('off')



plt.subplot(2, 4, 4)

plt.imshow(cv2.cvtColor(gaussian_denoised_nlm, cv2.COLOR_BGR2RGB))

plt.title('Non-Local Means')

plt.axis('off')



#椒盐噪声

plt.subplot(2, 4, 5)

plt.imshow(cv2.cvtColor(salt_pepper_noisy, cv2.COLOR_BGR2RGB))

plt.title('Salt & Pepper Noisy')

plt.axis('off')



plt.subplot(2, 4, 6)

plt.imshow(cv2.cvtColor(salt_pepper_denoised_median, cv2.COLOR_BGR2RGB))

plt.title('Median Filter')

plt.axis('off')



plt.subplot(2, 4, 7)

plt.imshow(cv2.cvtColor(salt_pepper_denoised_bilateral, cv2.COLOR_BGR2RGB))

plt.title('Bilateral Filter')

plt.axis('off')



plt.subplot(2, 4, 8)

plt.imshow(cv2.cvtColor(salt_pepper_denoised_nlm, cv2.COLOR_BGR2RGB))

plt.title('Non-Local Means')

plt.axis('off')



plt.tight_layout()

plt.show()

6.2 去噪效果评估

python 复制代码 
import cv2

import numpy as np



#读取图像

image = cv2.imread('clean_image.jpg')



#添加噪声

noise = np.random.normal(0, 25, image.shape).astype(np.uint8)

noisy_image = cv2.add(image, noise)



#去噪

denoised = cv2.fastNlMeansDenoisingColored(noisy_image, None, 10, 10, 7, 21)



#计算PSNR

def calculate_psnr(img1, img2):

    mse = np.mean((img1.astype(np.float32) img2.astype(np.float32))  2)

    if mse == 0:

        return float('inf')

    psnr = 20 * np.log10(255.0 / np.sqrt(mse))

    return psnr



#计算SSIM

def calculate_ssim(img1, img2):

    C1 = (0.01 * 255)  2

    C2 = (0.03 * 255)  2

   

    img1 = img1.astype(np.float64)

    img2 = img2.astype(np.float64)

   

    kernel = cv2.getGaussianKernel(11, 1.5)

    window = np.outer(kernel, kernel.transpose())

   

    mu1 = cv2.filter2D(img1, -1, window)[5:-5, 5:-5]

    mu2 = cv2.filter2D(img2, -1, window)[5:-5, 5:-5]

   

    mu1_sq = mu1  2

    mu2_sq = mu2  2

    mu1_mu2 = mu1 * mu2

   

    sigma1_sq = cv2.filter2D(img1  2, -1, window)[5:-5, 5:-5] mu1_sq

    sigma2_sq = cv2.filter2D(img2  2, -1, window)[5:-5, 5:-5] mu2_sq

    sigma12 = cv2.filter2D(img1 * img2, -1, window)[5:-5, 5:-5] mu1_mu2

   

    ssim_map = ((2 * mu1_mu2 + C1) * (2 * sigma12 + C2)) / ((mu1_sq + mu2_sq + C1) * (sigma1_sq + sigma2_sq + C2))

   

    return ssim_map.mean()



#计算评估指标

psnr_noisy = calculate_psnr(image, noisy_image)

psnr_denoised = calculate_psnr(image, denoised)



ssim_noisy = calculate_ssim(image, noisy_image)

ssim_denoised = calculate_ssim(image, denoised)



print(f"含噪图像 PSNR: {psnr_noisy:.2f} dB")

print(f"去噪图像 PSNR: {psnr_denoised:.2f} dB")

print(f"含噪图像 SSIM: {ssim_noisy:.4f}")

print(f"去噪图像 SSIM: {ssim_denoised:.4f}")

七、实战案例

7.1 老照片去噪

python 复制代码 
import cv2

import numpy as np



#读取老照片

old_photo = cv2.imread('old_photo.jpg')



#方法1：中值滤波（去除椒盐噪声）

median_denoised = cv2.medianBlur(old_photo, 5)



#方法2：双边滤波（保边去噪）

bilateral_denoised = cv2.bilateralFilter(old_photo, 9, 75, 75)



#方法3：非局部均值去噪（保留细节）

nlm_denoised = cv2.fastNlMeansDenoisingColored(old_photo, None, 10, 10, 7, 21)



#方法4：组合去噪

combined = cv2.medianBlur(old_photo, 5)

combined = cv2.bilateralFilter(combined, 9, 75, 75)



#显示结果

cv2.imshow('Old Photo', old_photo)

cv2.imshow('Median Filtered', median_denoised)

cv2.imshow('Bilateral Filtered', bilateral_denoised)

cv2.imshow('Non-Local Means', nlm_denoised)

cv2.imshow('Combined', combined)

cv2.waitKey(0)

cv2.destroyAllWindows()

7.2 医学图像去噪

python 复制代码 
import cv2

import numpy as np



#读取医学图像

medical_image = cv2.imread('medical_xray.jpg', cv2.IMREAD_GRAYSCALE)



#方法1：中值滤波

median_denoised = cv2.medianBlur(medical_image, 5)



#方法2：非局部均值去噪

nlm_denoised = cv2.fastNlMeansDenoising(medical_image, None, 10, 7, 21)



#方法3：组合去噪

combined = cv2.medianBlur(medical_image, 5)

combined = cv2.fastNlMeansDenoising(combined, None, 10, 7, 21)



#CLAHE增强

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

enhanced = clahe.apply(combined)



#CLAHE增强2

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

enhanced = clahe.apply(combined)



#显示结果

cv2.imshow('Original Medical Image', medical_image)

cv2.imshow('Median Filtered', median_denoised)

cv2.imshow('Non-Local Means', nlm_denoised)

cv2.imshow('Combined + Enhanced', enhanced)

cv2.waitKey(0)

cv2.destroyAllWindows()

7.3 夜间图像去噪

python 复制代码 
import cv2

import numpy as np



#读取夜间图像

night_image = cv2.imread('night_image.jpg')



#方法1：双边滤波

bilateral_denoised = cv2.bilateralFilter(night_image, 9, 75, 75)



#方法2：非局部均值去噪

nlm_denoised = cv2.fastNlMeansDenoisingColored(night_image, None, 10, 10, 7, 21)



#方法3：组合去噪

combined = cv2.bilateralFilter(night_image, 9, 75, 75)

combined = cv2.fastNlMeansDenoisingColored(combined, None, 10, 10, 7, 21)



#CLAHE增强

lab = cv2.cvtColor(combined, cv2.COLOR_BGR2LAB)

l, a, b = cv2.split(lab)

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

l_enhanced = clahe.apply(l)

enhanced_lab = cv2.merge([l_enhanced, a, b])

enhanced = cv2.cvtColor(enhanced_lab, cv2.COLOR_LAB2BGR)



#显示结果

cv2.imshow('Original Night Image', night_image)

cv2.imshow('Bilateral Filtered', bilateral_denoised)

cv2.imshow('Non-Local Means', nlm_denoised)

cv2.imshow('Combined + Enhanced', enhanced)

cv2.waitKey(0)

cv2.destroyAllWindows()

7.4 视频去噪

python 复制代码 
import cv2

import numpy as np



#打开视频文件或摄像头

cap = cv2.VideoCapture('noisy_video.mp4')



#创建视频写入器

fourcc = cv2.VideoWriter_fourcc(*'mp4v')

out = cv2.VideoWriter('denoised_video.mp4', fourcc, 30.0,

                      (int(cap.get(3)), int(cap.get(4))))



while True:

    #读取帧

    ret, frame = cap.read()

    if not ret:

        break

   

    #去噪

    denoised = cv2.fastNlMeansDenoisingColored(frame, None, 10, 10, 7, 21)

   

    #写入去噪后的帧

    out.write(denoised)

   

    #显示结果

    cv2.imshow('Original', frame)

    cv2.imshow('Denoised', denoised)

   

    if cv2.waitKey(30) & 0xFF == ord('q'):

        break



cap.release()

out.release()

cv2.destroyAllWindows()

八、总结

8.1 核心要点

  1. 噪声类型：识别不同的噪声类型

高斯噪声：使用高斯滤波、非局部均值去噪

椒盐噪声：使用中值滤波

混合噪声：组合多种去噪方法

  1. 中值滤波：对椒盐噪声效果极佳

去除椒盐噪声

保留边缘

计算量较大

  1. 双边滤波：保边去噪

去噪同时保留边缘

适用于保边去噪

计算量大

  1. 非局部均值去噪：保留细节

去噪效果好

保留细节和纹理

计算量大

8.2 最佳实践

  1. 噪声识别：首先识别噪声类型

  2. 方法选择：根据噪声类型选择合适的去噪方法

椒盐噪声：中值滤波

高斯噪声：高斯滤波、非局部均值去噪

保边去噪：双边滤波

  1. 参数调优：根据具体图像调整去噪参数

  2. 组合使用：可以组合多种方法达到最佳效果

  3. 效果评估：使用PSNR、SSIM等指标评估去噪效果

相关推荐
zhangshuang-peta1 小时前
MCP 如何重新定义 Skill：从“能力函数”变成“可治理行为”
人工智能·ai·ai agent·mcp·peta
yubo05091 小时前
计算机视觉第六课：打开摄像头，实时框出物体
人工智能·opencv·计算机视觉
FL16238631292 小时前
窗户干净脏污分类窗户清洁状态分类数据集3299张2类别已划分训练验证测试集
人工智能·分类·数据挖掘
阿里云大数据AI技术2 小时前
基于阿里云 DataWorks Data Agent 进行大模型热度分析
人工智能·agent·nvidia
碳基硅坊2 小时前
Qwen3.5-9B在安全生产安全帽检测中的应用
人工智能·安全·安全帽检测·qwen3.5-9b
云烟成雨TD2 小时前
Spring AI Alibaba 1.x 系列【66】Graph 长期记忆
java·人工智能·spring
春日见2 小时前
五分钟入门 强化学习---Q-Learning算法与实现
人工智能·python·深度学习·算法·机器学习·计算机视觉
卡次卡次12 小时前
vibecoding起步之Claude Code的skills是什么，里面有什么文件，以ppt的一个skills举例
人工智能·opencv·powerpoint
AI服务老曹2 小时前
解耦异构算力：基于 Docker 与 GB28181/RTSP 的边缘计算 AI 视频管理平台架构设计与源码交付实践
人工智能·docker·边缘计算
热门推荐
01GitHub 镜像站点02【AI】2026 年具身智能模型和世界模型总结03DeepSeek V4 + Claude Code thinking mode 400 错误修复方案04【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法05Codex 接入 DeepSeek API 完整配置文档06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07几个好用的ip纯净度检测网站08CC-Switch & Claude 基于 Linux 服务器安装使用指南09CC-Switch 全平台下载、安装与使用全指南（Windows/macOS/Linux）10API Key 登录 Codex 也能用插件了，还支持会话删除和导出