计算机视觉 / 系统课时
使用中值滤波
使用中值滤波
中值滤波特别适合处理椒盐噪声这类孤立的黑点或白点。它不会对邻域像素求平均,而是用排序后的中值替换中心像素,因此能直接剔除异常极值,并在许多场景下比线性平滑更好地保留明显边缘。
学习目标
- 使用
cv2.medianBlur消除离散脉冲噪点 - 理解中值滤波为什么属于非线性滤波
- 能比较中值滤波与高斯等线性滤波的适用场景
中值为什么能消除离散噪点
中值滤波会收集中心像素周围一个固定大小邻域中的像素值,排序后选择中间值作为新的中心像素。如果大多数邻域像素都接近正常亮度,少量极黑或极白的噪点就会被排序到两端,不会成为最终结果。
这与均值滤波或高斯滤波不同。线性滤波会把异常像素参与加权平均,因此一个很亮的噪点可能扩散成周围一小片偏亮区域;中值滤波则直接选择已有像素值,更适合处理孤立脉冲噪声。
| 特性 | 中值滤波 | 高斯滤波 |
|---|---|---|
| 运算方式 | 邻域排序后取中值 | 邻域加权平均 |
| 是否线性 | 否 | 是 |
| 椒盐噪声 | 通常效果很好 | 可能把异常值扩散到邻域 |
| 连续随机噪声 | 不一定最优 | 通常更自然 |
| 边缘保持 | 对突变边缘通常较友好 | 会产生连续模糊过渡 |
选择合适的邻域大小
OpenCV 使用 cv2.medianBlur(src, ksize) 执行中值滤波,其中 ksize 是正奇数并且必须大于 1。常用值是 3、5 或 7,分别对应 3×3、5×5 和 7×7 邻域。
邻域越大,能够覆盖和移除的噪声区域通常越大,但细线、小文字和尺寸较小的目标也更容易被消除。因此应从 ksize=3 开始,根据噪点尺寸逐步增加,而不是直接使用很大的窗口。
运行椒盐噪声示例
下面创建一张灰度恒定的图像,并人工放入一个白色噪点和一个黑色噪点。由于两个异常值周围都是亮度 128 的正常像素,3×3 中值滤波会把它们恢复为邻域中值。
python
import cv2
import numpy as np
image = np.full((64, 64), 128, dtype=np.uint8)
image[20, 20] = 255
image[40, 40] = 0
# 3×3 邻域足以移除这里的单像素椒盐噪声。
filtered = cv2.medianBlur(image, 3)
print('before:', int(image[20, 20]), int(image[40, 40]))
print('after:', int(filtered[20, 20]), int(filtered[40, 40]))
print('background kept:', bool(filtered[10, 10] == 128))
print('saved:', cv2.imwrite('median-blur.png', filtered))预期输出:
text
before: 255 0
after: 128 128
background kept: True
saved: True两个噪点都恢复为 128,而正常背景保持不变。这正是中值滤波处理孤立异常值时最直观的优势。
判断什么时候该换别的滤波器
如果图像中的问题主要是少量随机黑白点,中值滤波通常是优先选择。如果噪声呈现为整体细颗粒波动,而不是离散极值,高斯滤波往往能产生更自然的平滑结果。
还要注意,中值滤波的计算需要对邻域值进行排序或等价的顺序统计处理,窗口增大时成本会上升。实际使用时应选择刚好能覆盖典型噪点的最小窗口,在降噪、细节保留和运行成本之间取得平衡。
按自己的节奏,确认真正理解。