计算机视觉 / 系统课时

使用均值滤波

使用均值滤波

均值滤波把每个像素替换为邻域平均值,能快速压低随机噪声,但核越大,边缘和细节也越容易被抹平。本课用 cv2.blur 比较 3×3 与 7×7 核,并给出按噪声强度选择核大小的检查方法。

学习目标

  • 理解 3×3、5×5、7×7 均值核对噪声与细节的影响。
  • 使用 cv2.blur 完成可运行的均值滤波并验证结果。
  • 根据平坦区域噪声和边缘清晰度选择合适核大小。

均值滤波在算什么

对 3×3 核,中心像素的新值等于周围 9 个像素的算术平均;5×5 会平均 25 个像素,7×7 会平均 49 个像素。参与平均的像素越多,随机波动越容易被抵消,但跨过边缘取样的概率也越高,所以细线和文字最先变软。

例如 3×3 邻域的灰度值为 120、123、125、118、250、121、119、124、122,总和为 1122,均值为 124.7,写回 8 位图像时约为 125。原先中心的异常值 250 被邻域平均显著拉低,这就是去噪与模糊同时发生的原因。

均值滤波核大小与降噪和边缘模糊的关系

用 cv2.blur 比较不同核

下面示例先生成一张带白色矩形的灰度图,再加入标准差为 20 的高斯噪声,最后分别应用 3×3 与 7×7 均值滤波。平坦区域位于左上角,不跨越矩形边缘,可用标准差判断噪声是否下降。

python
import cv2
import numpy as np

rng = np.random.default_rng(7)

image = np.full((256, 256), 80, dtype=np.uint8)
cv2.rectangle(image, (80, 80), (176, 176), 200, thickness=-1)

noise = rng.normal(0, 20, image.shape)
noisy = np.clip(image.astype(np.float32) + noise, 0, 255).astype(np.uint8)

blur_3 = cv2.blur(noisy, (3, 3), borderType=cv2.BORDER_DEFAULT)
blur_7 = cv2.blur(noisy, (7, 7), borderType=cv2.BORDER_DEFAULT)

roi = np.s_[10:60, 10:60]
std_noisy = float(noisy[roi].std())
std_3 = float(blur_3[roi].std())
std_7 = float(blur_7[roi].std())

cv2.imwrite("mean_noisy.png", noisy)
cv2.imwrite("mean_3x3.png", blur_3)
cv2.imwrite("mean_7x7.png", blur_7)

print("shape:", blur_3.shape)
print("noise decreases:", std_7 < std_3 < std_noisy)

预期输出

text
shape: (256, 256)
noise decreases: True

打开 mean_3x3.png 与 mean_7x7.png 对比时,7×7 的平坦区域更干净,但矩形边缘会比 3×3 更宽、更软。cv2.blur 的 ksize 必须是两个正整数;常见图像处理通常从 (3, 3) 或 (5, 5) 开始。

根据噪声强度选择核大小

不要只看“噪声少了多少”,还要同时检查边缘。对于 1080p 普通照片,可先裁一块 100×100 的平坦区域测标准差,再观察一条高对比边缘;如果 3×3 已把噪声标准差从 18 降到约 7,就没有必要直接上 9×9。

核大小 邻域像素数 常见效果 更适合的情况
3×3 9 轻度降噪,细节损失较小 轻噪声、文字、细线较多
5×5 25 中等平滑 普通照片、背景颗粒明显
7×7 49 明显平滑,边缘变软 强噪声且细节要求较低

核大小不必是奇数,cv2.blur 可以接受 (4, 4) 这类正整数尺寸;但教学和多数图像处理流程常用对称的奇数方核,因为中心位置更直观,也便于与高斯滤波、中值滤波比较。

识别均值滤波不合适的场景

均值滤波对椒盐噪声通常不是优先选择,因为一个 255 的孤立白点会参与邻域平均,把异常值扩散到周围像素。遇到大量黑白脉冲点时,先试 cv2.medianBlur(src, 3);若要保留边缘同时去除较强噪声,再考虑双边滤波等方法。

工程验收可以用两个检查项:平坦区域标准差是否达到目标,以及关键边缘是否仍清晰。若降噪后车牌字符、二维码模块或 1~2 像素细线明显糊掉,即使数值指标变好,也应退回更小的核或更换滤波方法。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用均值滤波

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通