总目录：1.1 OpenCV介绍与学习路线　｜　第二章：基础图像处理　｜　编号：2.4

← 上一节：2.3 绘制图形与文字　｜　下一节：2.5 二值化与阈值 →

---

2.4 滤波与降噪

相机画面里会有传感器噪声、压缩纹理和小反光。直接找边缘，算法可能把这些细碎变化也当成目标。滤波相当于先把桌面收拾一下，再开始找东西。

一、为什么先去噪再找边缘

常见顺序：

原图 → 灰度 → 轻度滤波 → Canny / threshold → 轮廓

滤波会减少噪声，也会损失细节。目的不是把图磨得越糊越好，而是让“无关变化”变弱、目标结构仍然保留。

二、核：拿多大一块邻域参与计算

**核（kernel）**是一小块在图像上滑动的邻域，例如 (3, 3)、(5, 5)：

核小 → 保留细节，去噪较弱
核大 → 平滑更强，细节和边缘也更容易丢

高斯核通常使用正奇数宽高，才能有明确中心：

blurred = cv2.GaussianBlur(gray, (5, 5), sigmaX=0)

注意，不是所有滤波函数都要求核尺寸必须是奇数。例如 cv2.blur 的 ksize 可以是偶数；但日常用奇数更容易理解锚点位置。

三、四种常见滤波

1. 均值滤波 blur

邻域像素一视同仁，直接平均：

mean = cv2.blur(image, (5, 5))

• 优点：简单、快；
• 缺点：边缘容易一起糊掉；
• 适合：只需要很便宜的基础平滑。

2. 高斯滤波 GaussianBlur

离中心近的像素权重大，远的权重小：

gaussian = cv2.GaussianBlur(image, (5, 5), sigmaX=0)

• 优点：平滑自然，是 Canny 前的常用选择；
• sigmaX=0：让 OpenCV 根据核大小估算；
• 核变大或 sigma 变大，一般会更模糊。

3. 中值滤波 medianBlur

把邻域像素排序，用中间值替换中心：

median = cv2.medianBlur(image, 5)

• 对孤立黑白点，也就是椒盐噪声很有效；
• 边缘保持通常好于均值滤波；
• ksize 是单个奇数，并且要大于 1。

4. 双边滤波 bilateralFilter

同时看空间距离和颜色差异：

bilateral = cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75)

• 能在平滑区域的同时尽量保边；
• 计算更贵，实时嵌入式项目要测速度；
• 参数没有“通用最优值”。

四、怎样选择滤波器

噪声或目标	优先尝试
通用轻度噪声，后面做 Canny	高斯滤波
孤立黑白点、椒盐噪声	中值滤波
只求便宜快速	均值滤波
必须尽量保留明显边缘	双边滤波，但要测算力

methods = {
    "mean": cv2.blur(image, (5, 5)),
    "gaussian": cv2.GaussianBlur(image, (5, 5), 0),
    "median": cv2.medianBlur(image, 5),
    "bilateral": cv2.bilateralFilter(image, 9, 75, 75),
}

五、滤波不是越强越好

核太大时会发生：

• 两条靠近的边缘糊成一条；
• 小目标直接消失；
• 轮廓面积和角点位置发生偏移；
• 实时处理速度下降。

调参建议：

1. 先用 3×3 或 5×5
2. 看噪声是否影响后续二值图/边缘图
3. 只在确实需要时加大
4. 用最终检测指标判断，不凭“画面更丝滑”判断

这里讲的是空间图像滤波。云台误差随时间抖动时用的一阶低通滤波，放在 视觉控制章节 讲，两者别混在一篇里。

---

← 上一节：2.3 绘制图形与文字　｜　下一节：2.5 二值化与阈值 →