线性滤波（均值/高斯/盒式滤波）

---

OpenCV线性滤波完全指南

mindmap
    root((线性滤波))
        核心算法
            均值滤波 : 均匀权重
            高斯滤波 : 正态分布权重
            盒式滤波 : 可分离实现
        应用场景
            噪声消除
            图像模糊
            预处理
        关键技术
            核函数设计
            边界处理
            并行优化

一、滤波原理与数学基础

1.1 滤波核对比

classDiagram
    class LinearFilter {
        <<interface>>
        +apply()
    }
    
    class BoxFilter {
        +ksize: Size
        +normalized: bool
        +apply()
    }
    
    class GaussianBlur {
        +sigmaX: float
        +sigmaY: float
        +apply()
    }
    
    class Blur {
        +anchor: Point
        +apply()
    }
    
    LinearFilter <|-- BoxFilter
    LinearFilter <|-- GaussianBlur
    LinearFilter <|-- Blur

滤波核特性对比

滤波类型	核函数形式	特点	时间复杂度
均值滤波	全1矩阵归一化	简单快速，边缘模糊	O(whk²)
高斯滤波	正态分布权重	平滑效果好，保留边缘	O(whk²)
盒式滤波	可分离的均值滤波	计算效率高	O(whk)

1.2 卷积过程图解

flowchart TD
    A[输入图像] --> B[滑动窗口]
    B --> C[核函数点乘]
    C --> D[求和输出]
    D --> E[结果图像]
    
    subgraph 卷积示例
        B --> |3x3窗口| C
        C --> |[[1,1,1],[1,1,1],[1,1,1]]| D
    end

二、OpenCV实现详解

2.1 标准滤波方法

flowchart LR
    A[filter2D] --> B[自定义核]
    C[blur] --> D[均值滤波]
    E[GaussianBlur] --> F[高斯滤波]
    G[boxFilter] --> H[盒式滤波]

Python实现

import cv2
import numpy as np

img = cv2.imread('noisy_image.jpg')

# 均值滤波
mean_blur = cv2.blur(img, (5,5))

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5,5), sigmaX=1.5)

# 盒式滤波
box_filter = cv2.boxFilter(img, -1, (5,5), normalize=True)

# 自定义核
custom_kernel = np.array([[0,1,0],
                         [1,-4,1],
                         [0,1,0]], dtype=np.float32)
custom_filter = cv2.filter2D(img, -1, custom_kernel)

C++实现

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

Mat img = imread("noisy_image.jpg");
Mat result;

// 均值滤波
blur(img, result, Size(5,5));

// 高斯滤波
GaussianBlur(img, result, Size(5,5), 1.5);

// 盒式滤波
boxFilter(img, result, -1, Size(5,5), Point(-1,-1), true);

2.2 边界处理模式

pie
    title 边界处理方式占比
    "BORDER_REFLECT" : 35
    "BORDER_CONSTANT" : 25
    "BORDER_REPLICATE" : 30
    "其他" : 10

边界处理示例

# 自定义边界处理
img = cv2.copyMakeBorder(img, 10,10,10,10, 
                        cv2.BORDER_REFLECT101)

# 高斯滤波指定边界模式
gauss = cv2.GaussianBlur(img, (5,5), 0,
                        borderType=cv2.BORDER_REPLICATE)

三、性能与效果分析

3.1 滤波效果对比

gantt
    title 不同滤波方法效果对比
    dateFormat  X
    axisFormat %s
    section 噪声消除
    均值滤波 : 0, 60
    高斯滤波 : 0, 80
    盒式滤波 : 0, 70
    section 边缘保持
    均值滤波 : 0, 30
    高斯滤波 : 0, 70
    盒式滤波 : 0, 50

PSNR评估代码

def calculate_psnr(original, filtered):
    mse = np.mean((original - filtered) ** 2)
    if mse == 0:
        return float('inf')
    return 20 * np.log10(255.0 / np.sqrt(mse))

original = cv2.imread('clean_image.jpg')
noisy = cv2.imread('noisy_image.jpg')

methods = {
    'Mean': cv2.blur,
    'Gaussian': lambda x: cv2.GaussianBlur(x,(5,5),1.5),
    'Box': lambda x: cv2.boxFilter(x,-1,(5,5),normalize=True)
}

for name, func in methods.items():
    filtered = func(noisy)
    psnr = calculate_psnr(original, filtered)
    print(f'{name} Filter PSNR: {psnr:.2f}dB')

3.2 核大小影响

flowchart TD
    A[小核3x3] --> B[细节保留好]
    C[中核5x5] --> D[平衡效果]
    E[大核9x9] --> F[强模糊效果]

核大小实验

kernel_sizes = [(3,3), (5,5), (7,7), (9,9)]
results = []

for ksize in kernel_sizes:
    blurred = cv2.GaussianBlur(img, ksize, sigmaX=1.5)
    results.append((f'Kernel {ksize}', blurred))

# 并排显示
comparison = np.hstack([r[1] for r in results])
cv2.imshow('Kernel Size Comparison', comparison)
cv2.waitKey(0)

四、高级应用场景

4.1 图像去噪

stateDiagram-v2
    [*] --> 噪声分析
    噪声分析 --> 选择滤波方法
    选择滤波方法 --> 参数调优
    参数调优 --> 效果评估

混合噪声处理

# 高斯噪声用高斯滤波
gaussian_denoised = cv2.GaussianBlur(img, (5,5), 1.5)

# 椒盐噪声用中值滤波+均值
median = cv2.medianBlur(img, 3)
mixed_denoise = cv2.blur(median, (3,3))

4.2 预处理流程

pie
    title 预处理应用场景
    "人脸检测" : 35
    "OCR识别" : 25
    "医学影像" : 20
    "工业检测" : 20

文档预处理

def document_preprocess(img):
    # 高斯去噪
    blurred = cv2.GaussianBlur(img, (3,3), 0)
    
    # 自适应阈值
    gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
    thresh = cv2.adaptiveThreshold(gray, 255,
                                 cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                 cv2.THRESH_BINARY, 11, 2)
    return thresh

五、优化与实践技巧

5.1 可分离滤波

flowchart LR
    A[二维卷积] --> B[行列分离]
    B --> C[水平卷积]
    B --> D[垂直卷积]
    C --> E[结果合并]
    D --> E

优化实现

def separable_filter(img, ksize=(5,5)):
    # 水平方向
    temp = cv2.blur(img, (ksize[0], 1))
    # 垂直方向
    result = cv2.blur(temp, (1, ksize[1]))
    return result

5.2 多线程处理

pie
    title 计算耗时分布
    "卷积计算" : 65
    "内存访问" : 20
    "其他" : 15

并行滤波

from multiprocessing import Pool

def parallel_filter(images):
    with Pool() as pool:
        results = pool.map(
            lambda x: cv2.GaussianBlur(x,(5,5),1.5), 
            images
        )
    return results

六、调试与验证

6.1 常见问题排查

现象	原因	解决方案
边缘黑边	边界处理不当	使用BORDER_REFLECT
效果不明显	核尺寸太小	增大核尺寸
过度模糊	核尺寸太大	减小核尺寸
出现伪影	核值设置不合理	检查核归一化

6.2 可视化调试工具

def interactive_filter(img):
    def update(val):
        ksize = cv2.getTrackbarPos('KSize','Filter')*2+1
        sigma = cv2.getTrackbarPos('Sigma','Filter')/10
        filtered = cv2.GaussianBlur(img, (ksize,ksize), sigma)
        cv2.imshow('Filter', filtered)
    
    cv2.namedWindow('Filter')
    cv2.createTrackbar('KSize', 'Filter', 2, 10, update)
    cv2.createTrackbar('Sigma', 'Filter', 15, 50, update)
    update(0)
    cv2.waitKey(0)

interactive_filter(img)

---

总结：本文系统讲解了线性滤波核心技术：

1. 均值滤波简单高效但边缘保持差
2. 高斯滤波通过σ参数控制平滑程度
3. 盒式滤波适合需要高性能的场景
4. 实际应用需权衡去噪效果与边缘保留

下期预告：《非线性滤波》将深入讲解中值滤波、双边滤波等非线性滤波技术。