目录

简述

什么是低通滤波？

各种滤波器简介与实现

方盒滤波

均值滤波

中值滤波

高斯滤波

双边滤波

各种滤波的对比与应用场景

---

相关阅读

OpenCV基础：图像变换-CSDN博客

OpenCV：图像滤波、卷积与卷积核-CSDN博客

---

简述

低通滤波是一种在图像处理中广泛使用的技术，主要用于去噪和平滑处理。本文将从基础概念出发，结合 方盒滤波、均值滤波、中值滤波、高斯滤波 和 双边滤波 的具体实现与应用场景，进行详细讲解。

---

什么是低通滤波？

低通滤波是一种通过滤掉图像中的高频成分（如噪声和细节），保留低频成分（如平滑区域）的操作。

作用：

• 去除图像中的高频噪声。
• 平滑图像，减少细节。

应用场景：

• 图像预处理（如降噪）。
• 对比度减弱（用于模糊效果）。
• 提高检测精度（用于后续图像分析）。

---

各种滤波器简介与实现

方盒滤波

方盒滤波是一种简单的低通滤波器，它将图像的局部像素取均值，用一个固定大小的矩形窗口滑动图像。

代码实现

import cv2# 读取图像
image = cv2.imread("image.jpg")# 方盒滤波
box_filtered = cv2.boxFilter(image, -1, (5, 5))cv2.imshow("Original", image)
cv2.imshow("Box Filter", box_filtered)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点：简单快速，但可能引入边缘模糊。

运行效果：

---

均值滤波

均值滤波与方盒滤波类似，只不过它专门用于对邻域像素取均值，进行平滑处理。

代码实现

import cv2
import numpy as np# 读取图像
image = cv2.imread("D:\\resource\\filter\\lena.png")# 均值滤波
result = cv2.blur(image, (5, 5))cv2.imshow("Original", image)
cv2.imshow("Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

 特点：效果较为简单，但容易丢失图像细节。

运行效果：

---

中值滤波

中值滤波是一种非线性滤波方法，用局部窗口内的中值替代中心像素值，常用于去除椒盐噪声。

代码实现

import cv2
import numpy as np# 读取图像
image = cv2.imread("D:\\resource\\huaji1.jpg")# 中值滤波, 对胡椒噪点效果好
result = cv2.medianBlur(image, 5)cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

• 对椒盐噪声的去除效果特别好。
• 不会显著模糊边缘。

运行效果：

---

高斯滤波

高斯滤波使用高斯函数作为权重，对邻域像素加权求和，权重与像素距离呈指数关系，距离越远权重越小。

代码实现

import cv2
import numpy as np# 读取图像
image = cv2.imread("D:\\resource\\filter\\lena.png")# 高斯滤波, 针对高斯噪点的效果好
result = cv2.GaussianBlur(image, (5,5), sigmaX=1)cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

• 平滑效果更自然，常用于降噪。
• 能够保持一定的图像边缘信息。

运行效果：

---

双边滤波

双边滤波是结合了高斯滤波和平滑滤波的优点，同时考虑像素的空间距离和色彩距离，既能平滑图像又能保留边缘。

代码实现

import cv2
import numpy as np# 读取图像
image = cv2.imread("D:\\resource\\filter\\lena.png")# 双边滤波
result = cv2.bilateralFilter(image, 7, 20, 50)cv2.imshow("image", image)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

特点

• 边缘保留效果显著。
• 常用于美容滤镜或去噪后保留图像细节。

 运行效果：

经过双边滤波后，图像中的皮肤部分更平滑了。 

---

各种滤波的对比与应用场景

滤波类型	特点	应用场景
方盒滤波	简单高效，但模糊边缘明显	快速平滑处理
均值滤波	类似方盒，但更平滑自然	去除轻微噪声
中值滤波	去噪能力强，保护边缘	去除椒盐噪声
高斯滤波	平滑效果自然，速度快	图像降噪，边缘检测的预处理
双边滤波	平滑与边缘保留并存	美颜滤镜，降噪后细节保留