目录
一、均值滤波
1、核心定义
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点 （ x ， y ） （x，y） （x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点 （ x ， y ） （x，y） （x，y），作为处理后图像在该点上的灰度 g （ x ， y ） g（x，y） g（x，y），即 g （ x ， y ） = ∑ f （ x ， y ） / m g（x，y）=∑f（x，y）/m g（x，y）=∑f（x，y）/m， m m m为该模板中包含当前像素在内的像素总个数。
均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。
常规滤波模板：常用奇数尺寸卷积核（3×3、5×5、9×9），保证像素中心点唯一，3×3模板默认包含中心像素+周边8邻域像素，共计9个像素参与均值计算。
2、计算公式
设原始图像像素灰度值为 f ( x , y ) f(x,y) f(x,y)，滤波后图像像素灰度值为 g ( x , y ) g(x,y) g(x,y)，滤波模板内总像素数量为 m m m，公式如下：
g ( x , y ) = 1 m ∑ f ( x , y ) g(x,y)=\frac{1}{m}\sum f(x,y) g(x,y)=m1∑f(x,y)
举例：3×3卷积核 m = 9 m=9 m=9，取邻域9个像素求和后除以9，赋值给中心像素；卷积核尺寸越大，参与均值计算像素越多，图像平滑效果越强。
3、算法优缺点
✅ 优点
- 算法逻辑简单、计算速度快、硬件算力开销低，实时性较好
- 对均匀分布高斯噪声、轻度椒盐噪声降噪效果直观，适配预处理场景
- OpenCV内置封装函数，无需手动编写遍历卷积逻辑，调用极简
❌ 固有缺陷
- 全局均等加权：模板内所有像素权重一致，降噪无区分度，极易破坏图像边缘、纹理、细节特征
- 卷积核尺寸越大，图像模糊程度越高，细节丢失越严重
- 对重度椒盐噪声降噪能力差，无法针对性保留有效像素、剔除噪点像素
4、函数详解
通用API：
cpp
blur(src, dst, ksize, anchor, borderType)src：输入原始图像，支持灰度图、彩色三通道BGR图像dst：输出滤波后图像，尺寸、通道数与原图完全一致ksize：卷积核尺寸 Size(w,h)，建议取奇数长宽（3/5/9），偶数核会出现像素偏移anchor：锚点，默认(-1,-1)，代表卷积核中心点borderType：图像边缘填充方式，默认自动填充，无需手动修改
二、C++代码
cpp
#include <opencv2\opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
Mat img = imread("hx.jpg");
if (img.empty() )
{
cout << "请确认图像文件名称是否正确" << endl;
return -1;
}
Mat result_3, result_9; //存放滤波结果，数字代表滤波器尺寸
//调用均值滤波函数blur()进行滤波
blur(img, result_3, Size(3, 3)); // 3x3卷积核
blur(img, result_9, Size(9, 9)); // 9x9卷积核
//显示处理结果
imshow("origion pic ", img);
imshow("3x3 result", result_3);
imshow("9x9 salt", result_9);
waitKey(0);
return 0;
}三、python代码
python
import cv2
# 读取同级目录加盐噪声图像
img = cv2.imread('hx.jpg')
# 图像读取异常判断
if img is None:
print("图像读取失败，请检查图片路径与文件名！")
exit()
# -------------------均值滤波核心代码------------------
# 3×3卷积核滤波：轻度平滑降噪
img_mean_3 = cv2.blur(img, (3, 3))
# 9×9卷积核滤波：高强度平滑降噪
img_mean_9 = cv2.blur(img, (9, 9))
# ------------------可视化结果（已修复原版赋值bug）-----------------
cv2.imshow('原始噪声图像', img)
cv2.imshow('3x3卷积滤波结果', img_mean_3)
cv2.imshow('9x9卷积滤波去噪结果', img_mean_9)
# 按键等待+资源释放
cv2.waitKey(0)
cv2.destroyAllWindows()四、结果展示
1、原始图像
2、3x3卷积
3、9x9卷积
