计算机视觉 / 系统课时

使用中值滤波

使用中值滤波

中值滤波专门擅长处理椒盐噪声这类孤立的黑点、白点。它不是对邻域求平均,而是把邻域像素排序后取中间值,因此单个极端值通常会被直接剔除,同时比普通均值平滑更容易保住清晰边缘。

学习目标

  • 理解中值替换为什么能抑制脉冲型椒盐噪声。
  • 能用 OpenCV 4.x 的 cv2.medianBlur 选择合法的 ksize 并完成处理。
  • 能识别核过大造成的细线、纹理和小目标丢失,并据此调参。

中值替换怎样去掉噪点

假设一个 3×3 灰度邻域里有 8 个像素接近 10,只有中心噪点是 255。排序后得到 10,10,10,10,10,10,10,10,255,第 5 个值仍是 10,所以输出中心像素会从 255 变成 10。极端值不会像线性平均那样把亮度分摊给周围像素。

3×3 中值滤波从邻域取样到排序取中值的过程

中值滤波适合“少量像素突然变成极黑或极白”的情况,而不是所有噪声。若整幅图都带连续细颗粒,例如近似高斯噪声,高斯滤波往往更自然;若噪点成片且尺寸大于滤波窗口,中值滤波也无法一次清除。

用 medianBlur 清除椒盐点

下面构造一张 5×5 的 8 位灰度图,只在中心放一个值为 255 的盐噪点。使用 3×3 中值核后,中心邻域的大多数像素都是 0,因此噪点会被替换为 0。

python
import cv2
import numpy as np

src = np.zeros((5, 5), dtype=np.uint8)
src[2, 2] = 255

dst = cv2.medianBlur(src, 3)

print("before center:", int(src[2, 2]))
print("after center:", int(dst[2, 2]))
print("unique:", np.unique(dst).tolist())

预期输出:

text
before center: 255
after center: 0
unique: [0]

cv2.medianBlur(src, ksize) 的 ksize 必须是大于 1 的奇数,例如 3、5、7。函数输出与输入尺寸、类型相同;彩色图像会按通道分别处理。OpenCV 的该函数内部对边界使用复制方式处理,因此没有单独暴露 borderType 参数。

按噪点尺寸选择 ksize

核尺寸应该略大于典型噪点,而不是越大越好。对 1080p 普通照片,可先从 ksize=3 开始;如果仍有连续 2~3 像素宽的椒盐斑点,再尝试 5。ksize=7 会更强,但也更容易抹掉头发丝、细线、二维码边角等小结构。

ksize 适合情况 主要风险
3 单像素或稀疏椒盐噪声 对较大片噪点作用有限
5 2~3 像素成团的脉冲噪声 小纹理开始变平
7 及以上 8 位图像中的较强脉冲噪声 细线、小目标可能被删除

类型也要注意:在 OpenCV 4.x 中,ksize 为 3 或 5 时可处理 CV_8U、CV_16U、CV_32F;更大的核只支持 CV_8U。如果浮点图像需要更大窗口,可先重新评估噪声模型,而不是直接把 ksize 调大后再处理类型报错。

判断是否保留了主要边缘

验证结果时应同时看“噪点是否消失”和“真实结构是否还在”。可以在同一裁剪区域对比原图、ksize=3 与 ksize=5:若孤立黑白点明显减少,而 2~3 像素宽的轮廓仍连续,参数通常可接受;若细线断裂或小目标整块消失,说明窗口过大。

一个常见错误是为了追求干净画面连续多次执行 medianBlur(..., 7)。这样会不断把局部纹理推向块状区域。更稳妥的顺序是先用 3,观察剩余噪点尺寸,再升到 5;只有输入确实是 8 位图且大颗粒脉冲噪声仍占主导时,才考虑 7 或更大的奇数核。

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

使用中值滤波

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