图像处理（一）：平滑滤波

article/2025/8/24 13:42:34

平滑处理，有时也称模糊处理，是图像处理领域最常用的操作。平滑的目的主要是用来去除噪声。通常平滑操作是通过卷积操作（注：实际上是相关操作，后面的叙述对这两个操作不加区分）完成。下面介绍几种常用的平滑滤波操作。

均值滤波

均值滤波是最简单的一种滤波操作，每个被滤波像素通过它邻近像素均值计算得到。
均值滤波的kernel如下：

高斯滤波

高斯滤波的核是通过高斯函数构建，越靠近中心的像素的值越大，这也反映了图像空域间关系，越邻近的像素相关性越强。
二维高斯函数如下：

中值滤波

以kernel里像素的中值作为被滤波后像素的值。
中值滤波法是一种非线性平滑技术。
中值滤波法对消除椒盐噪音非常有效。

双边滤波

上面的滤波方法在平滑图像时不仅会平滑噪声，往往还会模糊图像边缘。这是由于它们构造kernel时只用了空间位置信息。
双边滤波构造kernel不仅使用空间位置信息，还会使用颜色信息。

在opencv里提供了各种滤波器的调用接口，代码如下：

#include<opencv2/opencv.hpp>
using namespace cv;
using namespace std;

int main()
{namedWindow("Smoothing Demo", WINDOW_AUTOSIZE);Mat src = imread("G:\\opencvDemo\\lena.jpg");Mat blurImg;Mat gaussianImg;Mat medianImg;Mat bilteralImg;Mat boxImg;Mat filter2DImg;
blur(src, blurImg, Size(5, 5));boxFilter(src, boxImg, -1, Size(5, 5), Point(-1, -1), true);GaussianBlur(src, gaussianImg, Size(5, 5),0,0);medianBlur(src, medianImg, 5);bilateralFilter(src, bilteralImg, 5, 10, 2.5);Mat kernal = Mat::ones(Size(5, 5), CV_8UC1);filter2D(src, filter2DImg, -1, kernal);//imshow("Smoothing Demo", bilteralImg);imwrite("blurImg55.jpg", blurImg);imwrite("boxImg55.jpg", boxImg);imwrite("gaussianImg55.jpg", gaussianImg);imwrite("medianImg55.jpg", medianImg);imwrite("bilteralImg55.jpg", bilteralImg);imwrite("filter2DImg55.jpg", filter2DImg);//waitKey(0);
return 0;
}

实验效果：

原始图像lena.jpg如下：

均值滤波：

滤波函数：blur()


void cv::blur   (   InputArray  src,OutputArray     dst,Size    ksize,Point   anchor = Point(-1,-1),int     borderType = BORDER_DEFAULT )   src   :  输入图像dst   :  输出图像ksize :  kernel尺寸anchor:  被滤波像素在kernel中的位置，默认Point(-1,-1)表示在kernel中心borderType:图像边界填充方式

下图分别是kernel大小为3x3和5x5时的实验效果：

高斯滤波：

滤波函数：GaussianBlur()

void cv::GaussianBlur   (   InputArray  src,OutputArray     dst,Size    ksize,double  sigmaX,double  sigmaY = 0,int     borderType = BORDER_DEFAULT )   src   :  输入图像dst   :  输出图像ksize :  kernel尺寸sigmaX:  Gaussian kernel在X方向的标准差sigmaY:  Gaussian kernel在Y方向的标准差，如果sigmaY=0则sigmaY会被设为和sigmaX相等。如果sigmaX和sigmaY都为0，则它们会根据ksize.width和ksize.height计算得出。borderType:图像边界填充方式

下图分别是kernel大小为3x3和5x5时的实验效果：

中值滤波：

滤波函数：medianBlur()

void cv::medianBlur (   InputArray  src,OutputArray     dst,int     ksize )   src   :  输入图像dst   :  输出图像ksize :  kernel尺寸

下图分别是kernel大小为3x3和5x5时的实验效果：

双边滤波：

函数：bilateralFilter()

void cv::bilateralFilter    (   InputArray  src,OutputArray     dst,int     d,double  sigmaColor,double  sigmaSpace,int     borderType = BORDER_DEFAULT )   src   :  输入图像dst   :  输出图像d     :  计算滤波时邻域像素的直径，如果非正数将通过sigmaSpace计算得到。sigmaColor:颜色空间的影响因子。sigmaSpace:空域的影响因子。borderType:图像边界填充方式

下图分别是kernel大小为3x3和5x5时的实验效果：

补充：

下面补充两个滤波函数:

boxFilter()和 filter2D()

1、boxFilter()

void cv::boxFilter  (   InputArray  src,OutputArray     dst,int     ddepth,Size    ksize,Point   anchor = Point(-1,-1),bool    normalize = true,int     borderType = BORDER_DEFAULT )   normalize = true时，计算结果和均值滤波相同normalize = false时，滤波后像素值为kernel内像素值的和

kernel如下：

下图是normalize = false，ksize为3x3时的结果：

2、filter2D()

void cv::filter2D   (   InputArray  src,OutputArray     dst,int     ddepth,InputArray  kernel,Point   anchor = Point(-1,-1),double  delta = 0,int     borderType = BORDER_DEFAULT )   kernel是要使用的滤波核，可以自己根据需求随意构建

下图构建了一个3x3全1的滤波核，可以验证结果与上图相同：