在数字图像处理过程中，图像的采集、传输和存储往往不可避免地会受到硬件环境或传输信道的干扰，产生所谓的图像噪声。为了提高图像质量，方便后续的特征提取与识别，图像平滑技术成为了预处理阶段的核心步骤。

---

一、 图像噪声类型

噪声是指存在于图像数据中不必要的干扰信息。了解噪声的数学模型是选择平滑算法的前提。

1. 椒盐噪声 (Salt-and-Pepper Noise)

椒盐噪声也称为脉冲噪声，表现为图像中随机出现的白点（盐）或黑点（椒）。

• 现象：亮的区域有黑色像素点，或暗的区域有白色像素点。
• 成因：通常由影像讯号受到强烈干扰、类比数位转换器错误或位元传输错误产生。例如感应器失效导致像素值为最小值，或饱和导致最大值。

2. 高斯噪声 (Gaussian Noise)

高斯噪声是指噪声密度函数服从高斯分布（即正态分布）的一类噪声。

• 数学模型：其概率密度函数（PDF）由下式给出：
  $$p(z)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(z-\mu {)}^2}{2{\sigma }^2}}$$
  其中：
  • $z$：灰度值。
  • $\mu$：$z$ 的平均值或期望值。
  • $\sigma$：$z$ 的标准差（${\sigma }^2$ 为方差）。
• 特征：噪声在空间上遍布全图，且幅度分布符合钟形曲线。

---

二、 图像平滑核心原理

从信号处理的角度看，图像平滑就是去除其中的高频信息，保留低频信息。

• 低频信息：代表图像中亮度变化缓慢的部分（如大面积背景）。
• 高频信息：代表图像中亮度变化剧烈的部分（如边缘、细节以及噪声）。

因此，平滑处理本质上是实施低通滤波（Low-pass Filtering）。

---

三、 主流滤波算法解析

1. 均值滤波 (Mean Filtering)

均值滤波采用邻域模板对图像进行线性处理。其基本逻辑是用窗口内所有像素的平均值代替中心像素。

• 数学表达式：
  设 $S_{xy}$ 表示中心在 $(x,y)$ 点、尺寸为 $m\times n$ 的矩形窗口坐标组。均值滤波器可表示为：
  $$\hat{f}(x,y)=\frac{1}{mn}\sum _{(s,t)\in S_{xy}}g(s,t)$$
• 卷积核示例：一个 $3\times 3$ 的归一化卷积核如下：
  $$K=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$$
• 优缺点：计算速度极快，但在去噪的同时会模糊边缘细节。

import cv2 as cv
import matplotlib.pyplot as plt

# 读取图像
img = cv.imread('dog_noise.jpg')
# 均值滤波
blur = cv.blur(img, (5, 5))

# 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(122), plt.imshow(cv.cvtColor(blur, cv.COLOR_BGR2RGB)), plt.title('Blurred')
plt.show()

2. 高斯滤波 (Gaussian Filtering)

高斯滤波是一种加权平均滤波。越接近中心点，权重越大；越远离中心点，权重越小。

• 二维高斯函数：
  高斯滤波器的核心是基于二维正态分布分布函数：
  $$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{x^2+y^2}{2{\sigma }^2}}$$
  其中 $(x,y)$ 是相对于中心点的坐标，$\sigma$ 是标准差。
• 权重的意义：$\sigma$ 决定了“钟形”曲线的宽度。$\sigma$ 越大，曲线越扁平，平滑效果（模糊感）越强。
• 应用：对去除高斯噪声效果极佳，且能比均值滤波更好地保留图像整体结构。

# 高斯滤波
gaussian = cv.GaussianBlur(img, (5, 5), 1)

# 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(122), plt.imshow(cv.cvtColor(gaussian, cv.COLOR_BGR2RGB)), plt.title('Gaussian Blur')
plt.show()

3. 中值滤波 (Median Filtering)

中值滤波是一种典型的非线性滤波技术，它不依赖于加权计算。

• 算法逻辑：
  1. 在像素点的邻域内提取所有像素值。
  2. 将这些值按升序排列。
  3. 用排列后的**中值（Median）**代替中心点的灰度值。
• 适用场景：它是椒盐噪声的克星。
• 公式思想：
  f ^ ( x , y ) = median { g ( s , t ) ∣ ( s , t ) ∈ S x y } \hat{f}(x, y) = \text{median} \{g(s, t) | (s, t) \in S_{xy}\} f^​(x,y)=median{g(s,t)∣(s,t)∈Sxy​}
• 优点：在去除脉冲噪声的同时，能够非常出色地保护图像边缘，不会产生严重的边缘模糊。

# 中值滤波
median = cv.medianBlur(img, 5)

# 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)), plt.title('Original')
plt.subplot(122), plt.imshow(cv.cvtColor(median, cv.COLOR_BGR2RGB)), plt.title('Median Blur')
plt.show()

---

四、 滤波器选择对比总结

滤波器类型	对应数学原理	推荐处理噪声	边缘保护能力
均值滤波	算术平均	一般随机噪声	较差（明显模糊）
高斯滤波	加权平均（正态分布）	高斯噪声	中等
中值滤波	排序统计（中位数）	椒盐噪声	优

---

五、 结语

在实际的预处理流程中：

• 如果遇到由于电子干扰产生的细微噪点，首选高斯滤波。
• 如果图像上出现了明显的黑白点（如扫描仪污渍），首选中值滤波。
• 所有的滤波操作都是在“抑制噪声”与“保留细节”之间做权衡，核大小（ksize）的选择至关重要。

参考资料

黑马程序员人工智能教程_10小时学会图像处理OpenCV入门教程

---

感谢阅读！如果这篇文章对你有帮助，欢迎点赞、收藏并关注我，我们下期再见！