OpenCV——均值滤波

一、均值滤波

1、核心定义

均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（ x ， y ） （x，y）（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（ x ， y ） （x，y）（x，y），作为处理后图像在该点上的灰度g （ x ， y ） g（x，y）g（x，y），即g （ x ， y ） = ∑ f （ x ， y ） / m g（x，y）=∑f（x，y）/mg（x，y）=∑f（x，y）/m，m mm为该模板中包含当前像素在内的像素总个数。
均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。
常规滤波模板：常用奇数尺寸卷积核（3×3、5×5、9×9），保证像素中心点唯一，3×3模板默认包含中心像素+周边8邻域像素，共计9个像素参与均值计算。

2、计算公式

设原始图像像素灰度值为f ( x , y ) f(x,y)f(x,y)，滤波后图像像素灰度值为g ( x , y ) g(x,y)g(x,y)，滤波模板内总像素数量为m mm，公式如下：
g ( x , y ) = 1 m ∑ f ( x , y ) g(x,y)=\frac{1}{m}\sum f(x,y)g(x,y)=m1​∑f(x,y)
举例：3×3卷积核m = 9 m=9m=9，取邻域9个像素求和后除以9，赋值给中心像素；卷积核尺寸越大，参与均值计算像素越多，图像平滑效果越强。

3、算法优缺点

✅ 优点

• 算法逻辑简单、计算速度快、硬件算力开销低，实时性较好
• 对均匀分布高斯噪声、轻度椒盐噪声降噪效果直观，适配预处理场景
• OpenCV内置封装函数，无需手动编写遍历卷积逻辑，调用极简

❌ 固有缺陷

• 全局均等加权：模板内所有像素权重一致，降噪无区分度，极易破坏图像边缘、纹理、细节特征
• 卷积核尺寸越大，图像模糊程度越高，细节丢失越严重
• 对重度椒盐噪声降噪能力差，无法针对性保留有效像素、剔除噪点像素

4、函数详解

通用API：

blur(src,dst,ksize,anchor,borderType)

1. src：输入原始图像，支持灰度图、彩色三通道BGR图像
2. dst：输出滤波后图像，尺寸、通道数与原图完全一致
3. ksize：卷积核尺寸 Size(w,h)，建议取奇数长宽（3/5/9），偶数核会出现像素偏移
4. anchor：锚点，默认(-1,-1)，代表卷积核中心点
5. borderType：图像边缘填充方式，默认自动填充，无需手动修改

二、C++代码

#include<opencv2\opencv.hpp>#include<iostream>usingnamespacecv;usingnamespacestd;intmain(){Mat img=imread("hx.jpg");if(img.empty()){cout<<"请确认图像文件名称是否正确"<<endl;return-1;}Mat result_3,result_9;//存放滤波结果，数字代表滤波器尺寸//调用均值滤波函数blur()进行滤波blur(img,result_3,Size(3,3));// 3x3卷积核blur(img,result_9,Size(9,9));// 9x9卷积核//显示处理结果imshow("origion pic ",img);imshow("3x3 result",result_3);imshow("9x9 salt",result_9);waitKey(0);return0;}

三、python代码

importcv2# 读取同级目录加盐噪声图像img=cv2.imread('hx.jpg')# 图像读取异常判断ifimgisNone:print("图像读取失败，请检查图片路径与文件名！")exit()# -------------------均值滤波核心代码------------------# 3×3卷积核滤波：轻度平滑降噪img_mean_3=cv2.blur(img,(3,3))# 9×9卷积核滤波：高强度平滑降噪img_mean_9=cv2.blur(img,(9,9))# ------------------可视化结果（已修复原版赋值bug）-----------------cv2.imshow('原始噪声图像',img)cv2.imshow('3x3卷积滤波结果',img_mean_3)cv2.imshow('9x9卷积滤波去噪结果',img_mean_9)# 按键等待+资源释放cv2.waitKey(0)cv2.destroyAllWindows()

四、结果展示

1、原始图像

2、3x3卷积

3、9x9卷积