快捷導(dǎo)航

OpenCV圖像噪點(diǎn)消除五大濾波方法

更新時(shí)間：2025年06月29日 09:45:36 作者：慕婉0307

本文主要介紹了OpenCV五種經(jīng)典圖像去噪方法(均值、方框、高斯、中值、雙邊),文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

在數(shù)字圖像處理中，噪點(diǎn)消除是提高圖像質(zhì)量的關(guān)鍵步驟。本文將基于OpenCV庫，詳細(xì)講解五種經(jīng)典的圖像去噪濾波方法：均值濾波、方框?yàn)V波、高斯濾波、中值濾波和雙邊濾波，并通過豐富的代碼示例展示它們的實(shí)際應(yīng)用效果。

一、圖像噪點(diǎn)與濾波基礎(chǔ)

1.1 常見圖像噪聲類型

高斯噪聲：符合正態(tài)分布的隨機(jī)噪聲
椒鹽噪聲：隨機(jī)出現(xiàn)的黑白像素點(diǎn)
泊松噪聲：光子計(jì)數(shù)噪聲
量化噪聲：模擬信號數(shù)字化過程中產(chǎn)生

1.2 濾波方法分類

濾波類型	特點(diǎn)	代表方法
線性濾波	使用鄰域像素的線性組合	均值濾波、高斯濾波
非線性濾波	基于非線性運(yùn)算	中值濾波、雙邊濾波

二、五大濾波方法詳解

2.1 均值濾波（Averaging Filter）

原理：用鄰域像素的平均值替換中心像素值

cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

參數(shù)解析：

src：輸入圖像（支持多通道）

ksize：濾波核大?。▽挾?高度），如(3,3)

anchor：錨點(diǎn)位置，默認(rèn)(-1,-1)表示核中心

borderType：邊界處理方式

示例代碼：

import cv2
import numpy as np

# 讀取圖像并添加高斯噪聲
img = cv2.imread('test.jpg')
noise = np.random.normal(0, 30, img.shape).astype(np.uint8)
noisy_img = cv2.add(img, noise)

# 應(yīng)用不同尺寸的均值濾波
blur_3x3 = cv2.blur(noisy_img, (3,3))  # 3×3小窗口
blur_7x7 = cv2.blur(noisy_img, (7,7))  # 7×7大窗口

# 顯示結(jié)果
cv2.imshow('Noisy Image', noisy_img)
cv2.imshow('3x3 Blur', blur_3x3)
cv2.imshow('7x7 Blur', blur_7x7)
cv2.waitKey(0)

效果分析：

窗口越大，去噪效果越強(qiáng)，但圖像越模糊
計(jì)算速度快，適合實(shí)時(shí)處理
會模糊邊緣和細(xì)節(jié)

2.2 方框?yàn)V波（Box Filter）

原理：均值濾波的通用形式，可選擇是否歸一化

cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) → dst

參數(shù)解析：

ddepth：輸出圖像深度（如cv2.CV_8U）
normalize：歸一化標(biāo)志（True時(shí)等同于均值濾波）

示例代碼：

# 非歸一化方框?yàn)V波（像素值可能溢出）
box_nonorm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=False)
# 歸一化方框?yàn)V波
box_norm = cv2.boxFilter(noisy_img, -1, (3,3), normalize=True)

# 比較結(jié)果
cv2.imshow('Non-normalized Box', box_nonorm)
cv2.imshow('Normalized Box', box_norm)

特殊應(yīng)用：

非歸一化濾波可用于局部對比度增強(qiáng)
歸一化時(shí)與均值濾波效果相同

2.3 高斯濾波（Gaussian Filter）

原理：使用高斯函數(shù)作為權(quán)重，距離中心越近權(quán)重越大

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) → dst

參數(shù)解析：

sigmaX：X方向標(biāo)準(zhǔn)差
sigmaY：Y方向標(biāo)準(zhǔn)差（0時(shí)等于sigmaX）

示例代碼：

# 不同標(biāo)準(zhǔn)差的高斯濾波
gauss_small = cv2.GaussianBlur(noisy_img, (5,5), 1)  # 小標(biāo)準(zhǔn)差
gauss_large = cv2.GaussianBlur(noisy_img, (5,5), 3)  # 大標(biāo)準(zhǔn)差

# 比較邊緣保持效果
edge_img = cv2.Canny(img, 100, 200)
edge_gauss_small = cv2.Canny(gauss_small, 100, 200)
edge_gauss_large = cv2.Canny(gauss_large, 100, 200)

cv2.imshow('Original Edge', edge_img)
cv2.imshow('Small Sigma Edge', edge_gauss_small)
cv2.imshow('Large Sigma Edge', edge_gauss_large)

參數(shù)選擇技巧：

標(biāo)準(zhǔn)差σ與窗口大小關(guān)系：ksize ≈ (6σ+1)
σ越大，平滑效果越強(qiáng)，但計(jì)算量也越大

2.4 中值濾波（Median Filter）

原理：用鄰域像素的中值替換中心像素值

cv2.medianBlur(src, ksize[, dst]) → dst

參數(shù)特點(diǎn)：

ksize必須是大于1的奇數(shù)

示例代碼：

# 添加椒鹽噪聲
def salt_pepper_noise(image, prob=0.05):
    output = np.zeros(image.shape, np.uint8)
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            r = random.random()
            if r < prob/2:
                output[i,j] = 0    # 椒噪聲
            elif r < prob:
                output[i,j] = 255  # 鹽噪聲
            else:
                output[i,j] = image[i,j]
    return output

sp_noisy = salt_pepper_noise(img)

# 中值濾波去噪
median_3 = cv2.medianBlur(sp_noisy, 3)
median_5 = cv2.medianBlur(sp_noisy, 5)

# 計(jì)算PSNR評估去噪效果
def psnr(img1, img2):
    mse = np.mean((img1 - img2) ** 2)
    return 10 * np.log10(255**2 / mse)

print(f"PSNR 3x3: {psnr(img, median_3):.2f} dB")
print(f"PSNR 5x5: {psnr(img, median_5):.2f} dB")

適用場景：

對椒鹽噪聲效果顯著
能較好保持邊緣銳利度
計(jì)算復(fù)雜度高于線性濾波

2.5 雙邊濾波（Bilateral Filter）

原理：同時(shí)考慮空間距離和像素值相似性

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst

參數(shù)解析：

d：鄰域直徑（≤0時(shí)從sigmaSpace計(jì)算）
sigmaColor：顏色空間標(biāo)準(zhǔn)差
sigmaSpace：坐標(biāo)空間標(biāo)準(zhǔn)差

示例代碼：

# 不同參數(shù)的雙邊濾波
bilateral_weak = cv2.bilateralFilter(noisy_img, 9, 25, 25)
bilateral_strong = cv2.bilateralFilter(noisy_img, 9, 75, 75)

# 邊緣保持度比較
def edge_preserve_ratio(orig, filtered):
    orig_edge = cv2.Laplacian(orig, cv2.CV_64F).var()
    filt_edge = cv2.Laplacian(filtered, cv2.CV_64F).var()
    return filt_edge / orig_edge

print(f"Weak edge preserve: {edge_preserve_ratio(img, bilateral_weak):.2%}")
print(f"Strong edge preserve: {edge_preserve_ratio(img, bilateral_strong):.2%}")

優(yōu)化技巧：

先下采樣處理大圖像，再上采樣可提高速度
sigmaColor通常設(shè)為噪聲標(biāo)準(zhǔn)差的2-3倍
sigmaSpace通常為圖像尺寸的1-2%

三、綜合比較與實(shí)戰(zhàn)應(yīng)用

3.1 性能對比實(shí)驗(yàn)

import time

methods = {
    'Mean': lambda img: cv2.blur(img, (5,5)),
    'Gaussian': lambda img: cv2.GaussianBlur(img, (5,5), 0),
    'Median': lambda img: cv2.medianBlur(img, 5),
    'Bilateral': lambda img: cv2.bilateralFilter(img, 9, 75, 75)
}

results = {}
timings = {}

for name, func in methods.items():
    start = time.time()
    results[name] = func(noisy_img)
    timings[name] = time.time() - start
    print(f"{name}: {timings[name]:.4f}s")

# 可視化比較
plt.figure(figsize=(12,8))
for i, (name, img) in enumerate(results.items()):
    plt.subplot(2,2,i+1)
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.title(f"{name} ({timings[name]:.3f}s)")
    plt.axis('off')
plt.tight_layout()
plt.show()

3.2 實(shí)際應(yīng)用建議

文檔圖像處理：

先使用中值濾波去除斑點(diǎn)噪聲
再用小窗口高斯濾波平滑背景

醫(yī)學(xué)圖像處理：

使用非局部均值去噪（cv2.fastNlMeansDenoising）
或自適應(yīng)雙邊濾波

實(shí)時(shí)視頻處理：

選擇計(jì)算量小的均值濾波或小窗口高斯濾波
可考慮在YUV色彩空間單獨(dú)處理亮度通道

高級技巧：

# 多級濾波處理
def advanced_denoise(img):
    # 第一步：去除椒鹽噪聲
    temp = cv2.medianBlur(img, 3)
    # 第二步：平滑高斯噪聲
    temp = cv2.bilateralFilter(temp, 5, 50, 50)
    # 第三步：銳化邊緣
    kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
    return cv2.filter2D(temp, -1, kernel)

enhanced = advanced_denoise(noisy_img)