人工智能之视觉领域 计算机视觉 第六章 图像平滑处理

人工智能之视觉领域 计算机视觉

第六章 图像平滑处理

文章目录

• 人工智能之视觉领域 计算机视觉
• 前言：图像平滑处理（去噪）
• • 1. 通俗理解：什么是图像平滑？
  • 2. 常见噪声类型与对应策略
  • 3. 三大平滑滤波方法详解
  • • 3.1 均值滤波（Mean / Box Filter）
    • • 🔧 函数：`cv2.blur(src, ksize)`
    • 3.2 高斯滤波（Gaussian Blur）
    • • 🔧 函数：`cv2.GaussianBlur(src, ksize, sigmaX)`
    • 3.3 中值滤波（Median Blur）
    • • 🔧 函数：`cv2.medianBlur(src, ksize)`
  • 4. 三种滤波效果对比（Mermaid 流程图）
  • 5. 完整代码实战：去噪效果对比
  • 6. 补充：何时使用哪种滤波？
  • 7. 高级技巧：自适应高斯滤波（按区域调整强度）
  • 8. 常见误区提醒
  • ✅ 本章总结
• 资料关注

前言：图像平滑处理（去噪）

学习目标：理解“图像噪声”的来源与类型，掌握三种主流平滑滤波方法（均值、高斯、中值），能根据噪声特点选择合适的去噪策略，为后续边缘检测、特征提取等任务提供干净图像。

1. 通俗理解：什么是图像平滑？

想象你用手机拍了一张夜景照片，放大后发现有很多 彩色小点（噪点）； 或者扫描一张老报纸，纸上出现很多 黑白杂点。

✅ 图像平滑 = 给图像“磨皮”或“柔化” 目的：抑制噪声、模糊细节、使图像更平滑

但注意：平滑 ≠ 越模糊越好！ 我们要在“去噪”和“保留细节”之间找平衡。

2. 常见噪声类型与对应策略

🎯 核心思想： 滤波器通过 邻域像素加权平均 来替代中心像素，从而“平均掉”异常值。

3. 三大平滑滤波方法详解

3.1 均值滤波（Mean / Box Filter）

原理：用一个方形窗口（如 5×5），对窗口内所有像素取算术平均值，替换中心像素。

• 简单粗暴，计算快
• 缺点：严重模糊边缘和细节

🔧 函数：cv2.blur(src, ksize)

blurred = cv2.blur(img, (5, 5)) # 5×5 均值核

ksize：核大小（必须是正奇数，如 3, 5, 7）

3.2 高斯滤波（Gaussian Blur）

原理：使用高斯函数作为权重，中心像素权重最大，越远权重越小。 👉 既能去噪，又能较好保留边缘！

• 最常用、最推荐的通用去噪方法
• 参数少，效果稳定

🔧 函数：cv2.GaussianBlur(src, ksize, sigmaX)

gaussian = cv2.GaussianBlur(img, (5, 5), 0)

💡 经验法则：

• 轻微去噪：ksize=(3,3)
• 中等去噪：ksize=(5,5)
• 强去噪：ksize=(7,7) 或增大 sigmaX

3.3 中值滤波（Median Blur）

原理：将窗口内所有像素排序，取中位数作为新值。 👉 对椒盐噪声（孤立的极亮/极暗点）效果极佳！

• 不产生新像素值（只从原图选）
• 能有效去除“斑点”，同时保留边缘

🔧 函数：cv2.medianBlur(src, ksize)

median = cv2.medianBlur(img, 5) # ksize 是整数（如 3, 5, 7）

⚠️ 注意：ksize 是单个整数（因为核是正方形），且必须 ≥ 3

4. 三种滤波效果对比（Mermaid 流程图）

#mermaid-svg-zO2VgjlNA1BuBXGv{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-zO2VgjlNA1BuBXGv .error-icon{fill:#552222;}#mermaid-svg-zO2VgjlNA1BuBXGv .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-zO2VgjlNA1BuBXGv .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-zO2VgjlNA1BuBXGv .marker{fill:#333333;stroke:#333333;}#mermaid-svg-zO2VgjlNA1BuBXGv .marker.cross{stroke:#333333;}#mermaid-svg-zO2VgjlNA1BuBXGv svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-zO2VgjlNA1BuBXGv p{margin:0;}#mermaid-svg-zO2VgjlNA1BuBXGv .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster-label text{fill:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster-label span{color:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster-label span p{background-color:transparent;}#mermaid-svg-zO2VgjlNA1BuBXGv .label text,#mermaid-svg-zO2VgjlNA1BuBXGv span{fill:#333;color:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv .node rect,#mermaid-svg-zO2VgjlNA1BuBXGv .node circle,#mermaid-svg-zO2VgjlNA1BuBXGv .node ellipse,#mermaid-svg-zO2VgjlNA1BuBXGv .node polygon,#mermaid-svg-zO2VgjlNA1BuBXGv .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-zO2VgjlNA1BuBXGv .rough-node .label text,#mermaid-svg-zO2VgjlNA1BuBXGv .node .label text,#mermaid-svg-zO2VgjlNA1BuBXGv .image-shape .label,#mermaid-svg-zO2VgjlNA1BuBXGv .icon-shape .label{text-anchor:middle;}#mermaid-svg-zO2VgjlNA1BuBXGv .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-zO2VgjlNA1BuBXGv .rough-node .label,#mermaid-svg-zO2VgjlNA1BuBXGv .node .label,#mermaid-svg-zO2VgjlNA1BuBXGv .image-shape .label,#mermaid-svg-zO2VgjlNA1BuBXGv .icon-shape .label{text-align:center;}#mermaid-svg-zO2VgjlNA1BuBXGv .node.clickable{cursor:pointer;}#mermaid-svg-zO2VgjlNA1BuBXGv .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-zO2VgjlNA1BuBXGv .arrowheadPath{fill:#333333;}#mermaid-svg-zO2VgjlNA1BuBXGv .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-zO2VgjlNA1BuBXGv .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-zO2VgjlNA1BuBXGv .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zO2VgjlNA1BuBXGv .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-zO2VgjlNA1BuBXGv .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zO2VgjlNA1BuBXGv .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster text{fill:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv .cluster span{color:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-zO2VgjlNA1BuBXGv .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-zO2VgjlNA1BuBXGv rect.text{fill:none;stroke-width:0;}#mermaid-svg-zO2VgjlNA1BuBXGv .icon-shape,#mermaid-svg-zO2VgjlNA1BuBXGv .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zO2VgjlNA1BuBXGv .icon-shape p,#mermaid-svg-zO2VgjlNA1BuBXGv .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-zO2VgjlNA1BuBXGv .icon-shape rect,#mermaid-svg-zO2VgjlNA1BuBXGv .image-shape rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zO2VgjlNA1BuBXGv .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-zO2VgjlNA1BuBXGv .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-zO2VgjlNA1BuBXGv :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

椒盐噪声

高斯/均匀噪声

是

否

含噪声图像

噪声类型?

中值滤波 cv2.medianBlur

是否需保留边缘?

高斯滤波 cv2.GaussianBlur

均值滤波 cv2.blur

输出平滑图像

5. 完整代码实战：去噪效果对比

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 创建或读取带噪声的图像
def add_salt_pepper_noise(image, prob=0.02):
"""添加椒盐噪声"""
output = image.copy()
thres = 1 – prob
for i in range(image.shape[0]):
for j in range(image.shape[1]):
rdn = np.random.rand()
if rdn < prob:
output[i][j] = 0 # 椒（黑）
elif rdn > thres:
output[i][j] = 255 # 盐（白）
return output

# 读取图像（或创建测试图）
img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE)
if img is None:
# 若无图，创建一个渐变图
img = np.zeros((300, 300), dtype=np.uint8)
for i in range(300):
img[i, :] = i // 3 # 垂直渐变

# 添加椒盐噪声
noisy = add_salt_pepper_noise(img)

# 2. 应用三种滤波
blur_mean = cv2.blur(noisy, (5, 5))
blur_gauss = cv2.GaussianBlur(noisy, (5, 5), 0)
blur_median = cv2.medianBlur(noisy, 5)

# 3. 使用 matplotlib 显示（灰度图）
images = [img, noisy, blur_mean, blur_gauss, blur_median]
titles = ['Original', 'Noisy (Salt & Pepper)',
'Mean Blur', 'Gaussian Blur', 'Median Blur']

plt.figure(figsize=(15, 6))
for i in range(len(images)):
plt.subplot(2, 3, i+1)
plt.imshow(images[i], cmap='gray')
plt.title(titles[i])
plt.axis('off')
plt.tight_layout()
plt.show()

# 4. 保存结果
cv2.imwrite('denoised_mean.jpg', blur_mean)
cv2.imwrite('denoised_gauss.jpg', blur_gauss)
cv2.imwrite('denoised_median.jpg', blur_median)

✅ 运行效果预期：

• 均值滤波：整体模糊，噪点减少但边缘发虚
• 高斯滤波：较自然，噪点减弱，边缘尚可
• 中值滤波：椒盐点几乎消失，边缘清晰锐利！

6. 补充：何时使用哪种滤波？

7. 高级技巧：自适应高斯滤波（按区域调整强度）

对于复杂图像，可结合边缘检测，只在平滑区域强滤波，边缘区域弱滤波：

# 简易自适应思路：边缘处用小核，非边缘用大核
edges = cv2.Canny(img, 50, 150)
smooth = cv2.GaussianBlur(img, (7, 7), 0)

# 边缘区域保留原图，非边缘用平滑图
result = np.where(edges == 255, img, smooth)

这是“双边滤波（Bilateral Filter）”的思想雏形，OpenCV 也提供 cv2.bilateralFilter()，但计算较慢。

8. 常见误区提醒

✅ 本章总结

🌟 现在可以：

• 给一张噪点多的照片“一键磨皮”
• 为 OCR 或目标检测提供干净输入
• 根据噪声类型，选择最合适的“去噪武器”！

资料关注

咚咚王

《Python编程：从入门到实践》 《利用Python进行数据分析》 《算法导论中文第三版》 《概率论与数理统计（第四版） (盛骤) 》 《程序员的数学》 《线性代数应该这样学第3版》 《微积分和数学分析引论》 《（西瓜书）周志华-机器学习》 《TensorFlow机器学习实战指南》 《Sklearn与TensorFlow机器学习实用指南》 《模式识别（第四版）》 《深度学习 deep learning》伊恩·古德费洛著 花书 《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》 《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》 《自然语言处理综论 第2版》 《Natural-Language-Processing-with-PyTorch》 《计算机视觉-算法与应用(中文版)》 《Learning OpenCV 4》 《AIGC：智能创作时代》杜雨+&+张孜铭 《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》 《从零构建大语言模型（中文版）》 《实战AI大模型》 《AI 3.0》