Python-OpenCV图像滤波：卷积、高斯、中值、双边美颜滤波

目录

一、什么是图像滤波与卷积

通俗理解

[核心函数：filter2D 自定义卷积](#核心函数：filter2D 自定义卷积)

[官方封装：cv2.blur 均值模糊](#官方封装：cv2.blur 均值模糊)

[二、高斯滤波 GaussianBlur（通用平滑降噪）](#二、高斯滤波 GaussianBlur（通用平滑降噪）)

[三、中值滤波 medianBlur（专门去除椒盐噪点）](#三、中值滤波 medianBlur（专门去除椒盐噪点）)

[四、双边滤波 bilateralFilter（美颜磨皮，模糊同时保留边缘）](#四、双边滤波 bilateralFilter（美颜磨皮，模糊同时保留边缘）)

五、四种滤波对比与选型指南

六、综合案例：给图片先降噪再锐化

七、本章高频踩坑清单

八、本章知识小结

---

上一章我们搞懂图像底层原理，掌握了通道拆分合并、深浅拷贝，学会直接操作图片像素。真实拍摄的照片往往带有噪点、颗粒杂色，这时就需要图像滤波做降噪平滑处理。滤波是图像预处理非常关键的一环，很多边缘检测、目标识别算法之前，都要先做降噪。

本章学习卷积基础，以及4种常用滤波：均值卷积、高斯滤波、中值滤波、双边滤波，结合完整示例代码，理解不同滤波适用场景。

一、什么是图像滤波与卷积

通俗理解

滤波就好比给照片做美颜磨皮。利用一个小矩阵（卷积核）在图片上逐像素滑动，把周边相邻像素做加权计算，输出新像素值，实现降噪、模糊、锐化、浮雕等效果。

• 模糊降噪：把相邻像素做平均，消除细碎噪点；
• 锐化：强化像素差异，让轮廓更清晰；

注意：卷积核尺寸几乎都要求 奇数（3×3、5×5），保证有一个中心点对齐像素。

核心函数：filter2D 自定义卷积

cv2.filter2D(src, ddepth, kernel)

• src：输入图像
• ddepth：输出图像深度，填-1代表和原图保持一致
• kernel：卷积核，numpy数组，float32类型

# opencv滤波器卷积.py
import cv2
import numpy as np
读取图片，失败时给出友好提示并退出
img = cv2.imread(r'D:\PYTHON\your name.jpg')

if img is None:
    print("图片读取失败，请检查文件路径是否正确")
    exit()

1. 均值模糊卷积核：5*5全部为1，求像素平均值
kernel_avg = np.ones((5, 5), np.float32) / 25
res_avg = cv2.filter2D(img, -1, kernel_avg)

2. 锐化卷积核：增强图片轮廓
kernel_sharp = np.array([[0, -1, 0],
[-1, 5, -1],
[0, -1, 0]])
res_sharp = cv2.filter2D(img, -1, kernel_sharp)

3. 浮雕效果：适合灰度图使用
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel_relief = np.array([[-2, 1, 0],
[-1, 1, 1],
[0, 1, 2]])
res_relief = cv2.filter2D(gray_img, -1, kernel_relief)

浮雕卷积核未归一化，结果可能超出0-255，用clip截断避免大片全白/全黑
res_relief = np.clip(res_relief, 0, 255).astype(np.uint8)

显示原图与各滤波效果
cv2.imshow('原图', img)
cv2.imshow('均值模糊', res_avg)
cv2.imshow('锐化效果', res_sharp)
cv2.imshow('浮雕(灰度)', res_relief)

循环等待按键，按 q 或 Esc 退出
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()
cv2.waitKey(1)

小提示：浮雕卷积核未归一化，运算后像素可能超出 0-255 范围，建议用 np.clip(res_relief, 0, 255).astype(np.uint8) 截断像素区间，避免画面出现大片全白或全黑。
filter2D可以自由自定义卷积核，想实现特殊图片效果优先用这个函数。OpenCV也封装好了常用滤波API，不用手写卷积核。

补充：均值模糊 OpenCV 内置封装函数 cv2.blur(img,(5,5))，等价于手写 np.ones((5,5),np.float32)/25 卷积核。

官方封装：cv2.blur 均值模糊

上面手写了 5×5 均值卷积核，其实 OpenCV 已经封装好了均值模糊函数 cv2.blur(src, ksize)，效果和手写卷积核完全一致，日常开发直接用这个内置 API 更省事。

• src：输入图像
• ksize：卷积核大小，奇数元组，例如(5,5)

# opencv均值模糊.py
import cv2
读取图片，失败时给出友好提示并退出
img = cv2.imread(r'D:\PYTHON\your name.jpg')
if img is None:
    print("图片读取失败，请检查文件路径是否正确")
    exit()

官方封装均值模糊，5×5卷积核，等价于手写 np.ones((5,5),np.float32)/25
res = cv2.blur(img, (5, 5))
显示原图与均值模糊结果
cv2.imshow('原图', img)
cv2.imshow('均值模糊结果', res)
循环等待按键，按 q 或 Esc 退出
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break

cv2.destroyAllWindows()
cv2.waitKey(1)

小提示： cv2.blur内部就是均值卷积，适合快速做基础降噪；需要自定义卷积核效果时再用 filter2D。

二、高斯滤波 GaussianBlur（通用平滑降噪）

高斯滤波是日常最常用的平滑降噪工具。离中心点越近像素权重越高，越远权重越低，模拟正态分布做模糊。

• 参数：cv2.GaussianBlur(原图, ksize, sigmaX)
• ksize：卷积核，必须是奇数元组，例如(5,5)
• sigmaX：X方向标准差，数值越大，图片越模糊。sigmaX=0会根据ksize自动计算。

# opencv高斯滤波.py
import cv2
读取图片，失败时给出友好提示并退出
img = cv2.imread(r'D:\PYTHON\your name.jpg')
if img is None:
    print("图片读取失败，请检查文件路径是否正确")
    exit()

高斯滤波，5×5卷积核，sigmaX=0自动计算
res = cv2.GaussianBlur(img, (5, 5), sigmaX=0)
显示原图与高斯滤波结果
cv2.imshow('原图', img)
cv2.imshow('高斯滤波结果', res)
循环等待按键，按 q 或 Esc 退出
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break

cv2.destroyAllWindows()
cv2.waitKey(1)

适用场景：普通照片颗粒噪点，图像预处理，为后续边缘检测做平滑。

不适合：椒盐噪点（黑白斑点），高斯只会把斑点变模糊，不能消除。

三、中值滤波 medianBlur（专门去除椒盐噪点）

读者手上不一定有带椒盐噪点的图片，这里先用代码给原图随机撒上黑白斑点，再分别用高斯和中值滤波处理，直观对比两种滤波对椒盐噪点的去噪效果。

# opencv椒盐噪声模拟.py
import cv2
import numpy as np
读取图片，失败时给出友好提示并退出
img = cv2.imread(r'D:\PYTHON\your name.jpg')
if img is None:
    print("图片读取失败，请检查文件路径是否正确")
    exit()

模拟椒盐噪声，生成带黑白斑点图片，方便测试中值滤波
def add_salt_pepper_noise(image, rate=0.04):
    img = image.copy()
    row, col, ch = img.shape
    num = int(rate * row * col)

    # 随机撒白点
    for _ in range(num):
        x = np.random.randint(0, col)
        y = np.random.randint(0, row)
        img[y, x] = 255

    # 随机撒黑点
    for _ in range(num):
        x = np.random.randint(0, col)
        y = np.random.randint(0, row)
        img[y, x] = 0

    return img

生成椒盐噪声图
noise_img = add_salt_pepper_noise(img)
显示椒盐噪声图
cv2.imshow("椒盐噪声图", noise_img)
循环等待按键，按 q 或 Esc 退出
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()
cv2.waitKey(1)

运行后可以看到：高斯滤波把黑白斑点糊成一片灰蒙蒙的痕迹，斑点依然可见；中值滤波则能基本还原干净画面，这正是椒盐噪点场景优先选择medianBlur的原因。

椒盐噪点：图像随机出现白点、黑点，类似撒上胡椒盐。

中值滤波取卷积范围内像素的中位数代替当前像素，噪点这种极端黑白值会直接被丢弃。

注意：ksize参数直接填整数，不是元组，且必须为奇数。

# opencv中值滤波.py
import cv2
读取图片，失败时给出友好提示并退出
img = cv2.imread(r'D:\PYTHON\your name.jpg')

if img is None:
    print("图片读取失败，请检查文件路径是否正确")
    exit()

中值滤波，核大小5
img_median = cv2.medianBlur(img, 5)
显示原图与中值滤波结果
cv2.imshow('原图', img)
cv2.imshow('中值滤波结果', img_median)
循环等待按键，按 q 或 Esc 退出
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()
cv2.waitKey(1)

适用场景：椒盐噪点（黑白斑点噪声）。

缺点：会抹除一部分图片细节。

四、双边滤波 bilateralFilter（美颜磨皮，模糊同时保留边缘）

普通高斯滤波会连同物体边缘一起糊掉。双边滤波同时参考像素空间距离 + 像素颜色相似度。颜色差异大的边缘位置不会做过度模糊，颜色接近的区域做平滑，这就是美颜磨皮底层原理。

函数：cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)

• d：卷积核直径。特殊规则：d≤0 时，d 会由 sigmaSpace 自动计算，实际开发经常直接写 d=0，让 OpenCV 自动决定核大小。
• sigmaColor：色彩标准差，越大越多颜色被认为相近，模糊越强
• sigmaSpace：空间标准差，越大更远像素参与计算

小提示：d 设置为小于等于 0 时，会依据 sigmaSpace 自动推算卷积核直径，项目中经常直接写 d=0。

# opencv双边滤波.py
import cv2
img = cv2.imread(r'D:\PYTHON\your name.jpg')
if img is None:
    print("图片读取失败，请检查路径")
    exit()
双边滤波，模拟美颜效果
res = cv2.bilateralFilter(img, 9, 75, 75)
cv2.imshow('原图', img)
cv2.imshow('双边滤波美颜效果', res)
while 1:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()
cv2.waitKey(1)

适用：人像照片磨皮，希望降噪同时保留物体轮廓边缘。

注意：双边滤波运算量大，相比高斯滤波运行速度更慢。

五、四种滤波对比与选型指南

四种滤波的计算速度大致为：均值模糊（cv2.blur）> 高斯滤波 > 中值滤波 > 双边滤波。均值和高斯都是线性卷积，OpenCV 底层做了高度优化，速度最快；中值滤波需要逐窗口排序取中位数，开销明显更高；双边滤波要同时计算空间距离和颜色相似度，计算量最大，速度最慢。

选型建议：在 CPU 上处理单张图片时，优先考虑效果，双边滤波可以放心用；但在嵌入式设备或需要实时处理视频的场景，双边滤波很容易成为性能瓶颈，建议改用高斯滤波或均值模糊，或适当调小 d、sigma 参数。若既要保留边缘又要控制耗时，可先用高斯滤波降噪，再配合边缘检测或锐化来补偿细节。

滤波类型	函数	典型参数示例	计算复杂度	特点	适合场景
自定义卷积 filter2D	filter2D	kernel = np.ones((5,5), np.float32)/25	O(N×K²)，K为核大小	自由手写卷积核，模糊/锐化/浮雕均可	需要自定义特殊图像效果
均值模糊 blur	cv2.blur	ksize=(5,5)	O(N×K²)，线性卷积，底层高度优化	简单平均，平滑模糊	快速基础降噪
高斯滤波 GaussianBlur	GaussianBlur	ksize=(5,5)，sigmaX=0（自动计算）	O(N×K²)，线性卷积，底层高度优化	平滑模糊，权重按距离分配	普通颗粒噪点，预处理
中值滤波 medianBlur	medianBlur	ksize=5（整数，非元组）	O(N×K²logK)，逐窗口排序取中位数	取中位数，消除黑白斑点	椒盐噪声
双边滤波 bilateralFilter	bilateralFilter	d=9，sigmaColor=75，sigmaSpace=75	O(N×K²)，需同时计算空间距离和颜色相似度，最慢	磨皮降噪，保留边缘	人像美颜，物体轮廓保留

六、综合案例：给图片先降噪再锐化

实际项目经常多级滤波，先降噪再做锐化。

import cv2
import numpy as np
img = cv2.imread(r'D:\PYTHON\your name.jpg')

if img is None:
    print("图片读取失败，请检查路径")
    exit()

#第一步：高斯降噪
blur = cv2.GaussianBlur(img,(3,3),sigmaX=0)
#第二步：锐化卷积
kernel_sharp = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]])
result = cv2.filter2D(blur,-1,kernel_sharp)
cv2.imshow("原图",img)
cv2.imshow("降噪+锐化",result)
while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()
cv2.waitKey(1)

七、本章高频踩坑清单

1. 卷积核大小必须是奇数：3,5,7......；偶数核会直接报错。
2. medianBlur的ksize是整数 ，不是元组，不要写成(5,5)。
3. 双边滤波速度慢，视频实时处理不要设置过大d、sigma参数，容易卡顿。
4. filter2D的kernel必须是np.float32类型，用int类型会出现颜色溢出异常。
5. 椒盐噪点用高斯效果差，优先选medianBlur；人像美颜优先双边滤波。
6. 图片路径记得使用r原始字符串，防止转义符号造成读取返回None。

八、本章知识小结

1. 滤波依靠卷积核在图片滑动运算，实现降噪、模糊、锐化、浮雕；filter2D支持自定义卷积；
2. 高斯滤波适合通用平滑降噪；中值滤波专门对付椒盐黑白斑点噪声；
3. 双边滤波是美颜核心算法，可以做到降噪同时保留物体边缘，但计算开销更大；
4. 不同噪点场景选择对应滤波，工程上常多级组合：先降噪，再锐化；
5. 注意各函数参数格式差异：高斯是元组ksize，中值滤波是单个整数。

下一章我们学习边缘检测算子：Sobel、Scharr、Laplacian、Canny，从滤波平滑过渡到提取图片物体轮廓，是目标检测的重要前置基础。