计算机视觉 / 系统课时
使用均值滤波
使用均值滤波
均值滤波用一个固定邻域的平均值替换当前像素,可以快速压低随机尖峰噪声,但也会让边缘变钝。本节通过一个可重复的小矩阵示例,掌握 cv2.blur 的用法,并理解核尺寸为什么直接决定模糊程度。
学习目标
- 使用
cv2.blur对灰度图执行均值滤波 - 理解卷积核尺寸与平滑强度之间的关系
- 判断均值滤波适合的噪声场景和主要副作用
均值滤波在计算什么
以 3×3 核为例,输出像素等于当前位置周围 9 个像素的平均值。若邻域里只有一个值为 255 的孤立亮点,其余都是 0,那么平均后该亮点会被分摊到邻近位置,峰值显著降低。
对 的均值核,每个位置的权重都是 。核越大,参与平均的像素越多,随机波动越容易被抹平;代价是物体边缘、细线和纹理也会一起被平均。

用 OpenCV 运行一个最小示例
下面使用浮点矩阵避免整数取整干扰观察。borderType=cv2.BORDER_CONSTANT 让边界外视为 0,使这个 5×5 示例的结果更容易验证。
python
import cv2
import numpy as np
src = np.zeros((5, 5), dtype=np.float32)
src[2, 2] = 255.0
blurred = cv2.blur(
src,
ksize=(3, 3),
borderType=cv2.BORDER_CONSTANT,
)
print(f'source_center={src[2, 2]:.1f}')
print(f'blurred_center={blurred[2, 2]:.1f}')
print(f'left_neighbor={blurred[2, 1]:.1f}')
print(f'corner={blurred[0, 0]:.1f}')预期输出:
text
source_center=255.0
blurred_center=28.3
left_neighbor=28.3
corner=0.0中心的 255 被 3×3 邻域平均后约为 28.3,邻近位置也得到同样的贡献。这正是均值滤波能压低孤立尖峰的原因,同时也说明它会把强边缘向周围扩散。
核尺寸决定模糊程度
ksize=(3, 3) 通常只做轻度平滑;改为 (5, 5) 或更大后,每个输出像素会混入更宽范围的信息,噪声抑制更强,但细节损失也更明显。实际项目里应从较小的奇数尺寸开始,并在目标边缘仍可接受的前提下逐步增大。
边界处理也会影响结果
卷积核靠近图像边缘时会超出原图范围,OpenCV 需要决定这些“图外像素”如何补齐。默认边界策略通常会比固定补 0 更自然;示例显式使用常量边界,只是为了让计算过程可核对。
均值滤波最适合做快速、轻量的预平滑。确定核尺寸时,不要只看噪声是否减少,还要同步观察边缘宽度和纹理是否被过度抹平。
按自己的节奏,确认真正理解。