Python OpenCV入门：图像预处理之去噪方法

图像预处理之去噪方法（Python OpenCV入门）¶

一、为什么要去噪？¶

图像在采集或传输过程中，常常会受到各种噪声干扰，比如：
- 高斯噪声：类似“盐粒”般随机分布的亮点（高频噪声，常见于传感器）；
- 椒盐噪声：黑白斑点（如相机传感器灰尘、传输错误导致的0或255像素值）；
- 泊松噪声：与图像亮度相关的随机噪声（低光环境常见）。

噪声会模糊图像细节，影响后续任务（如目标检测、人脸识别）的准确性。去噪是图像预处理的核心步骤，目的是保留有用信息的同时去除干扰。

二、Python OpenCV基础准备¶

首先确保已安装OpenCV和NumPy：

pip install opencv-python numpy matplotlib

核心操作：
- 读取图像：cv2.imread()（默认BGR格式，可转RGB用于显示）；
- 显示图像：cv2.imshow()（需配合cv2.waitKey()和cv2.destroyAllWindows()）；
- 常用工具：np.array处理噪声生成，matplotlib可视化对比。

三、经典去噪方法及代码实现¶

1. 均值滤波（简单平均去噪）¶

原理：用一个小窗口（如3×3）覆盖图像，将窗口内所有像素的平均值作为中心像素值。
特点：简单快速，但会模糊边缘（因平均化），适合高斯噪声（高频随机噪声）。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像（示例：假设图像路径为'input.jpg'）
img = cv2.imread('input.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 转RGB用于matplotlib显示

# 生成带高斯噪声的图像（模拟噪声）
noise = np.random.normal(0, 20, img.shape).astype(np.uint8)
noisy_img = cv2.add(img, noise)  # 叠加噪声

# 均值滤波（3×3窗口）
mean_denoised = cv2.blur(noisy_img, (3, 3))  # 核大小必须是整数

# 可视化对比
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(img_rgb), plt.title('Original')
plt.subplot(132), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(133), plt.imshow(mean_denoised), plt.title('Mean Filter')
plt.show()

2. 中值滤波（椒盐噪声克星）¶

原理：用窗口内像素的中值（排序后中间值）代替中心像素，对极端值（如0/255噪声点）不敏感。
特点：对椒盐噪声效果极佳，保留边缘能力强，核大小需为奇数（如3、5）。

# 生成带椒盐噪声的图像（手动制造噪声）
def add_salt_pepper_noise(img, prob=0.02):
    noisy = np.copy(img)
    h, w = noisy.shape[:2]
    for i in range(h):
        for j in range(w):
            if np.random.random() < prob:
                noisy[i, j] = 0 if np.random.random() < 0.5 else 255  # 50%概率黑/白
    return noisy

noisy_salt = add_salt_pepper_noise(img_rgb)  # 转换为RGB后处理
median_denoised = cv2.medianBlur(noisy_salt, 3)  # 3×3核

# 可视化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(img_rgb), plt.title('Original')
plt.subplot(132), plt.imshow(noisy_salt), plt.title('Salt & Pepper Noise')
plt.subplot(133), plt.imshow(median_denoised), plt.title('Median Filter')
plt.show()

3. 高斯滤波（更智能的加权平均）¶

原理：用高斯分布的卷积核（中心权重最高）加权平均像素值，既平滑噪声又保护边缘。
特点：比均值滤波更柔和，适合高斯噪声，需指定核大小（奇数）和标准差sigma。

# 高斯滤波（核大小3×3，sigmaX=1）
gaussian_denoised = cv2.GaussianBlur(noisy_img, (3, 3), sigmaX=1)

# 可视化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(132), plt.imshow(cv2.cvtColor(gaussian_denoised, cv2.COLOR_BGR2RGB)), plt.title('Gaussian Filter')
plt.show()

4. 双边滤波（去噪+保边）¶

原理：结合空间距离（窗口内像素加权）和颜色相似性（颜色越近权重越高），保留边缘的同时去噪。
特点：计算量较大，但能处理“高频噪声”且边缘清晰，适合人脸、风景等需保边的场景。

# 双边滤波（直径=9，颜色标准差=75，空间标准差=75）
bilateral_denoised = cv2.bilateralFilter(noisy_img, 9, 75, 75)

# 可视化
plt.figure(figsize=(12, 6))
plt.subplot(131), plt.imshow(noisy_img), plt.title('Noisy')
plt.subplot(132), plt.imshow(cv2.cvtColor(bilateral_denoised, cv2.COLOR_BGR2RGB)), plt.title('Bilateral Filter')
plt.show()

四、方法选择指南¶

噪声类型	推荐方法	核大小建议	核心优势
高斯噪声	高斯滤波	3×3/5×5	加权平均，保护边缘
椒盐噪声	中值滤波	3×3/5×5	抗极端值，黑白斑点去噪
混合噪声	先高斯后中值	3×3→3×3	兼顾两种噪声特性
高频细节噪声	双边滤波	5×5/9×9	去噪同时保留轮廓、纹理边缘

五、总结¶

均值滤波：简单快速，但模糊边缘；
中值滤波：椒盐噪声“杀手”，保边能力强；
高斯滤波：平衡噪声抑制与边缘保留；
双边滤波：高级去噪保边，适合高精度场景。

初学者可从高斯滤波和中值滤波入手，根据噪声类型选择（如照片偏暗→先高斯，监控画面有斑点→先中值），后续可尝试双边滤波优化细节！

练习：尝试不同核大小（如5×5）观察去噪效果，对比参数sigma对高斯滤波的影响~