在數字圖像處理中，噪點消除是提高圖像質量的關鍵步驟。本文將基于OpenCV庫，詳細講解五種經典的圖像去噪濾波方法：均值濾波、方框濾波、高斯濾波、中值濾波和雙邊濾波，并通過豐富的代碼示例展示它們的實際應用效果。

一、圖像噪點與濾波基礎

1.1 常見圖像噪聲類型

• 高斯噪聲：符合正態分布的隨機噪聲

• 椒鹽噪聲：隨機出現的黑白像素點

• 泊松噪聲：光子計數噪聲

• 量化噪聲：模擬信號數字化過程中產生

1.2 濾波方法分類

濾波類型	特點	代表方法
線性濾波	使用鄰域像素的線性組合	均值濾波、高斯濾波
非線性濾波	基于非線性運算	中值濾波、雙邊濾波

二、五大濾波方法詳解

2.1 均值濾波（Averaging Filter）

原理：用鄰域像素的平均值替換中心像素值

cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

參數解析：

• src：輸入圖像（支持多通道）

• ksize：濾波核大小（寬度,高度），如(3,3)

• anchor：錨點位置，默認(-1,-1)表示核中心

• borderType：邊界處理方式

示例代碼：

import cv2
import numpy as np# 讀取圖像并添加高斯噪聲
img = cv2.imread('test.jpg')
noise = np.random.normal(0, 30, img.shape).astype(np.uint8)
noisy_img = cv2.add(img, noise)# 應用不同尺寸的均值濾波
blur_3x3 = cv2.blur(noisy_img, (3,3))  # 3×3小窗口
blur_7x7 = cv2.blur(noisy_img, (7,7))  # 7×7大窗口# 顯示結果
cv2.imshow('Noisy Image', noisy_img)
cv2.imshow('3x3 Blur', blur_3x3)
cv2.imshow('7x7 Blur', blur_7x7)
cv2.waitKey(0)

效果分析：

• 窗口越大，去噪效果越強，但圖像越模糊

• 計算速度快，適合實時處理

• 會模糊邊緣和細節

2.2 方框濾波（Box Filter）

原理：均值濾波的通用形式，可選擇是否歸一化

cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) → dst

參數解析：

• ddepth：輸出圖像深度（如cv2.CV_8U）

• normalize：歸一化標志（True時等同于均值濾波）

示例代碼：

# 非歸一化方框濾波（像素值可能溢出）
box_nonorm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=False)
# 歸一化方框濾波
box_norm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=True)# 比較結果
cv2.imshow('Non-normalized Box', box_nonorm)
cv2.imshow('Normalized Box', box_norm)

特殊應用：

• 非歸一化濾波可用于局部對比度增強

• 歸一化時與均值濾波效果相同

2.3 高斯濾波（Gaussian Filter）

原理：使用高斯函數作為權重，距離中心越近權重越大

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) → dst

參數解析：

• sigmaX：X方向標準差

• sigmaY：Y方向標準差（0時等于sigmaX）

示例代碼：

# 不同標準差的高斯濾波
gauss_small = cv2.GaussianBlur(noisy_img, (5,5), 1)  # 小標準差
gauss_large = cv2.GaussianBlur(noisy_img, (5,5), 3)  # 大標準差# 比較邊緣保持效果
edge_img = cv2.Canny(img, 100, 200)
edge_gauss_small = cv2.Canny(gauss_small, 100, 200)
edge_gauss_large = cv2.Canny(gauss_large, 100, 200)cv2.imshow('Original Edge', edge_img)
cv2.imshow('Small Sigma Edge', edge_gauss_small)
cv2.imshow('Large Sigma Edge', edge_gauss_large)

參數選擇技巧：

• 標準差σ與窗口大小關系：ksize ≈ (6σ+1)

• σ越大，平滑效果越強，但計算量也越大

2.4 中值濾波（Median Filter）

原理：用鄰域像素的中值替換中心像素值

cv2.medianBlur(src, ksize[, dst]) → dst

參數特點：

• ksize必須是大于1的奇數

示例代碼：

# 添加椒鹽噪聲
def salt_pepper_noise(image, prob=0.05):output = np.zeros(image.shape, np.uint8)for i in range(image.shape[0]):for j in range(image.shape[1]):r = random.random()if r < prob/2:output[i,j] = 0    # 椒噪聲elif r < prob:output[i,j] = 255  # 鹽噪聲else:output[i,j] = image[i,j]return outputsp_noisy = salt_pepper_noise(img)# 中值濾波去噪
median_3 = cv2.medianBlur(sp_noisy, 3)
median_5 = cv2.medianBlur(sp_noisy, 5)# 計算PSNR評估去噪效果
def psnr(img1, img2):mse = np.mean((img1 - img2) ** 2)return 10 * np.log10(255**2 / mse)print(f"PSNR 3x3: {psnr(img, median_3):.2f} dB")
print(f"PSNR 5x5: {psnr(img, median_5):.2f} dB")

適用場景：

• 對椒鹽噪聲效果顯著

• 能較好保持邊緣銳利度

• 計算復雜度高于線性濾波

2.5 雙邊濾波（Bilateral Filter）

原理：同時考慮空間距離和像素值相似性

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst

參數解析：

• d：鄰域直徑（≤0時從sigmaSpace計算）

• sigmaColor：顏色空間標準差

• sigmaSpace：坐標空間標準差

示例代碼：

# 不同參數的雙邊濾波
bilateral_weak = cv2.bilateralFilter(noisy_img, 9, 25, 25)
bilateral_strong = cv2.bilateralFilter(noisy_img, 9, 75, 75)# 邊緣保持度比較
def edge_preserve_ratio(orig, filtered):orig_edge = cv2.Laplacian(orig, cv2.CV_64F).var()filt_edge = cv2.Laplacian(filtered, cv2.CV_64F).var()return filt_edge / orig_edgeprint(f"Weak edge preserve: {edge_preserve_ratio(img, bilateral_weak):.2%}")
print(f"Strong edge preserve: {edge_preserve_ratio(img, bilateral_strong):.2%}")

優化技巧：

• 先下采樣處理大圖像，再上采樣可提高速度

• sigmaColor通常設為噪聲標準差的2-3倍

• sigmaSpace通常為圖像尺寸的1-2%

三、綜合比較與實戰應用

3.1 性能對比實驗

import timemethods = {'Mean': lambda img: cv2.blur(img, (5,5)),'Gaussian': lambda img: cv2.GaussianBlur(img, (5,5), 0),'Median': lambda img: cv2.medianBlur(img, 5),'Bilateral': lambda img: cv2.bilateralFilter(img, 9, 75, 75)
}results = {}
timings = {}for name, func in methods.items():start = time.time()results[name] = func(noisy_img)timings[name] = time.time() - startprint(f"{name}: {timings[name]:.4f}s")# 可視化比較
plt.figure(figsize=(12,8))
for i, (name, img) in enumerate(results.items()):plt.subplot(2,2,i+1)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))plt.title(f"{name} ({timings[name]:.3f}s)")plt.axis('off')
plt.tight_layout()
plt.show()

3.2 實際應用建議

1. 文檔圖像處理：

   • 先使用中值濾波去除斑點噪聲

   • 再用小窗口高斯濾波平滑背景

2. 醫學圖像處理：

   • 使用非局部均值去噪（cv2.fastNlMeansDenoising）

   • 或自適應雙邊濾波

3. 實時視頻處理：

   • 選擇計算量小的均值濾波或小窗口高斯濾波

   • 可考慮在YUV色彩空間單獨處理亮度通道

4. 高級技巧：

# 多級濾波處理
def advanced_denoise(img):# 第一步：去除椒鹽噪聲temp = cv2.medianBlur(img, 3)# 第二步：平滑高斯噪聲temp = cv2.bilateralFilter(temp, 5, 50, 50)# 第三步：銳化邊緣kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])return cv2.filter2D(temp, -1, kernel)enhanced = advanced_denoise(noisy_img)

四、總結

本文詳細講解了OpenCV中五種經典的去噪濾波方法，通過參數解析、代碼示例和效果對比，展示了各種方法的特點和適用場景。實際應用中建議：

1. 根據噪聲類型選擇濾波方法

2. 通過實驗確定最佳參數組合

3. 對高質量要求的圖像可組合多種濾波方法

4. 平衡處理效果和計算效率

濾波方法的選擇沒有絕對標準，需要根據具體應用場景通過實驗確定最優方案。希望本文能為您的圖像處理工作提供實用參考！

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?