核心概念梳理
1. 低通滤波的核心作用
低通滤波允许图像中低频信息（大面积、平缓的像素变化，如主体轮廓）通过，抑制高频信息（小范围、剧烈的像素变化，如噪声、细节），最终实现：
- 平滑图像、去除噪声；
- 不可避免造成图像模糊，但核心特征（如轮廓）会保留；
- 本质是卷积操作（中值/双边滤波为非线性，除外）。
2. 卷积基础
卷积是“局部扫描+区域感知”的核心操作，步骤：
- 卷积核（Kernel）：正方形矩阵（通常为奇数，如3×3、5×5），是滤波的“权重模板”；
- 步长（Stride, s）：卷积核在原图上滑动的像素步距，默认s=1，s=2时图像尺寸会减半；
- 填充（Padding, p）：当卷积核滑到图像边缘时，若像素不足则补0（或补边），避免输出图像尺寸缩小；
- 计算规则：卷积核覆盖的像素区域，与核内权重做点积求和（线性滤波），逐行逐列滑动。
3. 输出图像尺寸计算公式
输入图像尺寸：H×W（高×宽），卷积核尺寸：k×k，步长s，填充p，则输出尺寸：
输出高 H' = ((H - k) + 2×p) // s + 1 输出宽 W' = ((W - k) + 2×p) // s + 1示例：输入640×480，核5×5，步长1，填充2（补0）→ 输出仍为640×480（无尺寸损失）；步长2→输出320×240。
4. 卷积核尺寸的参数规则
| 滤波类型 | ksize参数形式 | 原因 |
|---|---|---|
| 均值/高斯/方框 | 元组（如(5,3)） | 支持非正方形核（如5行3列），需明确高×宽 |
| 中值滤波 | 单个整数（如5） | 仅支持正方形核，简化参数避免冗余 |
六大低通滤波
前置准备：环境与基础代码
import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图像（工程上优先处理灰度图） img = cv2.imread("test.jpg") # 彩色图：BGR格式 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转灰度图（核心处理对象） # 图像显示辅助函数 def show_imgs(imgs, titles, rows=1, cols=2): plt.figure(figsize=(12, 6)) for i in range(len(imgs)): plt.subplot(rows, cols, i+1) plt.imshow(imgs[i], cmap="gray" if len(imgs[i].shape)==2 else None) plt.title(titles[i]) plt.axis("off") plt.show()1. 均值滤波
原理
线性滤波，卷积核内所有像素取算术平均值作为输出像素值，核内权重均等。
特点
- 去噪效果一般，模糊程度较明显；
- 适合去除均匀分布的弱噪声。
代码
# 均值滤波：ksize=(5,5)（5×5核），步长默认1，填充默认适配核尺寸 blur_gray = cv2.blur(gray, ksize=(5,5)) show_imgs([gray, blur_gray], ["原图（灰度）", "均值滤波(5×5)"])2. 方框滤波
原理
均值滤波的“变种”，可选择是否对核内像素归一化（除以核面积）：
- 归一化（默认）：等价于均值滤波；
- 不归一化：像素值易溢出（超过255），仅特殊场景使用。
代码
# 归一化方框滤波（等价均值滤波） box_norm = cv2.boxFilter(gray, -1, (5,5), normalize=True) # 不归一化方框滤波（演示用，实际少用） box_unnorm = cv2.boxFilter(gray, -1, (5,5), normalize=False) show_imgs([gray, box_norm, box_unnorm//10], ["原图", "归一化方框滤波", "不归一化（缩放后）"])3. 高斯滤波
原理
线性滤波，卷积核权重符合高斯分布（中心像素权重最高，向边缘递减），更贴合人眼视觉特性。
特点
- 去噪效果优于均值滤波，模糊程度更柔和；
- 工程上最常用，常循环多次增强效果；
- 需要指定
sigmaX（X方向标准差），sigmaY默认等于sigmaX（越大，滤波越平滑）。
代码（工程常用：循环高斯滤波）
# 单次高斯滤波：(5,5)核，sigmaX=1.5 gauss1 = cv2.GaussianBlur(gray, (5,5), sigmaX=1.5) # 循环3次高斯滤波（工程常用，比单次大核更自然） gauss3 = gray.copy() for _ in range(3): gauss3 = cv2.GaussianBlur(gauss3, (5,5), sigmaX=1.5) show_imgs([gray, gauss1, gauss3], ["原图", "单次高斯滤波", "3次循环高斯滤波"])4. 中值滤波
原理
非线性滤波，取卷积核内所有像素的中值作为输出像素值，对“孤立噪声”（如椒盐噪声）效果极佳。
特点
- 核尺寸为单个整数（仅支持正方形）；
- 去椒盐噪声远优于线性滤波，且边缘保留更好；
- 适合：相机噪点、图像传输中的椒盐噪声场景。
代码
# 模拟添加椒盐噪声 np.random.seed(0) noise = np.random.choice([0, 255], size=gray.shape, p=[0.98, 0.02]) gray_noise = np.where(noise==255, 255, gray) # 加盐噪声 # 中值滤波去椒盐噪声 median = cv2.medianBlur(gray_noise, 5) # ksize=5（5×5核） show_imgs([gray, gray_noise, median], ["原图", "加椒盐噪声", "中值滤波(5×5)"])5. 双边滤波
原理
非线性滤波，兼顾空间距离和像素值相似度：
- 空间距离：近的像素权重高（类似高斯）；
- 像素值相似度：与中心像素值接近的权重高；
特点 - 唯一能“去噪+保边缘”的低通滤波；
- 参数较多：
d（核直径）、sigmaColor（色彩标准差，越大，允许越宽的像素值范围）、sigmaSpace（空间标准差）； - 缺点：计算量较大，实时性要求高的场景慎用。
代码
# 双边滤波：d=9（核直径），sigmaColor=75，sigmaSpace=75 bilateral = cv2.bilateralFilter(gray, d=9, sigmaColor=75, sigmaSpace=75) # 对比：高斯滤波（边缘模糊）vs 双边滤波（边缘保留） gauss = cv2.GaussianBlur(gray, (9,9), sigmaX=5) show_imgs([gray, gauss, bilateral], ["原图", "高斯滤波（边缘模糊）", "双边滤波（保边缘）"])工程实践核心要点
1. 图像格式选择
优先处理灰度图：
- 彩色图可先转灰度（
cv2.COLOR_BGR2GRAY），减少计算量； - 若需保留色彩，可分B/G/R通道分别滤波后合并。
2. 滤波选型规则
| 场景 | 首选滤波 | 补充说明 |
|---|---|---|
| 普通随机噪声 | 高斯滤波（循环） | 核5×5，循环2-3次 |
| 椒盐噪声/孤立亮点 | 中值滤波 | 核3×3/5×5，根据噪声大小调整 |
| 需保留边缘的去噪 | 双边滤波 | 牺牲速度换效果 |
| 快速简单去噪（无要求） | 均值滤波 | 仅临时测试/低要求场景 |
3. 调参技巧
- 核尺寸：从3×3开始，逐步增大（越大越模糊，但去噪越强）；
- 高斯滤波：
sigmaX建议1.0~3.0（过大会丢失关键细节）； - 循环滤波：优先“小核+多次循环”，而非“大核+单次”（模糊更自然）。
4. 避坑点
- 中值滤波核尺寸过大（如9×9）会导致图像“卡通化”，丢失细节；
- 高斯滤波
sigmaX=0时，OpenCV会自动按核尺寸计算（不推荐，显式指定更可控）； - 方框滤波不归一化时，需手动缩放像素值（避免溢出为255）。
总结
低通滤波的核心是“trade-off（取舍）”：去噪越强，模糊越明显。工程上需结合业务场景（如监控图像去噪、证件照磨皮、工业检测去噪）选择滤波类型，优先用高斯/中值滤波，配合灰度图+小核循环的方式，既能保证效果，又能控制计算成本。
