目录
一、卷积高斯模糊 (Gaussian Blur)
1. 原理与数学基础
2. OpenCV函数实现
3. 关键参数说明
4. 代码示例
5. 特点与应用
二、中值模糊 (Median Blur)
1. 原理与数学基础
2. OpenCV函数实现
3. 关键参数说明
4. 代码示例
5. 特点与应用
三、两种模糊方法对比分析
四、实际应用建议
一、卷积高斯模糊 (Gaussian Blur)
1. 原理与数学基础
高斯模糊是通过高斯核与图像进行卷积运算实现的平滑滤波，其核心是高斯函数： [ G(x,y) = \frac{1}{2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}} ]
- 权重呈正态分布，中心像素权重最高
- 标准差σ控制模糊程度，σ越大模糊效果越强
- 核大小通常为奇数（如3×3,5×5,7×7），确保中心对称
2. OpenCV函数实现
void cv::GaussianBlur(InputArray src, // 输入图像OutputArray dst, // 输出图像Size ksize, // 高斯核大小 (width, height)double sigmaX, // X方向标准差double sigmaY = 0, // Y方向标准差(默认与sigmaX相同)int borderType = BORDER_DEFAULT // 边界处理方式
)3. 关键参数说明
- ksize：必须为正奇数，如(3,3)、(5,5)，核越大计算量越大
- sigmaX/sigmaY：控制模糊程度，建议设置σ=0让函数自动计算（σ = 0.3×((ksize-1)×0.5 - 1) + 0.8）
- borderType：常用BORDER_DEFAULT(等价于BORDER_REFLECT_101)，处理图像边缘像素
4. 代码示例
#include <opencv2/opencv.hpp>
using namespace cv;int main() {Mat img = imread("input.jpg");Mat blurImg;// 应用5×5高斯模糊，sigma自动计算GaussianBlur(img, blurImg, Size(5,5), 0, 0);imwrite("gaussian_result.jpg", blurImg);return 0;
}5. 特点与应用
✅ 优点：平滑效果自然，保留更多图像细节
❌ 缺点：对椒盐噪声抑制效果有限
📌 适用场景：
- 预处理阶段去除高斯噪声
- 边缘检测前的降噪
- 图像缩放前的抗锯齿处理
二、中值模糊 (Median Blur)
1. 原理与数学基础
中值模糊通过取邻域像素的中值替代中心像素值，属于非线性滤波：
- 将核内所有像素排序
- 取中间值作为中心像素新值
- 核大小为奇数以确保存在唯一中值
2. OpenCV函数实现
void cv::medianBlur(InputArray src, // 输入图像(单通道或三通道8位/16位)OutputArray dst, // 输出图像int ksize // 核大小(正奇数))3. 关键参数说明
- ksize：必须为正奇数(3,5,7,...)，核大小增加会显著提升计算量
- 仅支持单通道或三通道图像，不支持多通道或浮点型图像
- 无需设置标准差等参数，使用简单
4. 代码示例
#include <opencv2/opencv.hpp>
using namespace cv;int main() {Mat img = imread("noisy_input.jpg");Mat medianImg;// 使用3×3核进行中值模糊medianBlur(img, medianImg, 3);imwrite("median_result.jpg", medianImg);return 0;
}5. 特点与应用
✅ 优点：
- 有效去除椒盐噪声(salt-and-pepper noise)
- 边缘保留效果优于高斯模糊
❌ 缺点：
- 计算复杂度高(O(n²logn)，n为核大小)
- 可能导致图像细节模糊
📌 适用场景：
- 相机传感器噪声去除
- 医学图像去噪
- 工业检测中的斑点噪声处理
三、两种模糊方法对比分析
| 指标 | 高斯模糊 | 中值模糊 |
|---|---|---|
| 算法类型 | 线性滤波(卷积) | 非线性滤波(排序取中值) |
| 噪声抑制 | 高斯噪声效果好 | 椒盐噪声效果好 |
| 边缘保留 | 一般(边缘会模糊) | 较好(边缘更锐利) |
| 计算效率 | 高(O(n²)) | 低(O(n²logn)) |
| 参数敏感性 | 受sigma和核大小共同影响 | 仅受核大小影响 |
| 核大小要求 | 正奇数 | 正奇数 |
四、实际应用建议
-
噪声类型判断：
- 高斯噪声(如传感器热噪声) → 高斯模糊
- 椒盐噪声(如传输错误) → 中值模糊
-
参数选择策略：
- 高斯模糊：优先调整sigma，核大小通常取(2σ+1)×(2σ+1)
- 中值模糊：从3×3开始尝试，噪声严重时逐步增大
-
性能优化：
- 嵌入式系统建议使用高斯模糊(计算量小)
- 中值模糊可考虑分离核优化(OpenCV已内部实现)
-
组合使用： 复杂场景可先中值去椒盐噪声，再高斯模糊去除剩余高斯噪声
