1、相关概念
总结AI的回答
1.1 实际需求
在现实世界，获取的图像往往受到各种因素干扰：
- 光线不足
- 相机抖动
- 传感器精度不足
- 数据压缩带来失真
- 环境复杂影响成像清晰度
典型应用场景
| 应用场景 | 需求 |
|---|---|
| 医学影像 | 提高CT/MRI图像质量，帮助医生看清病灶 |
| 自动驾驶 | 检测车道线、行人边缘 |
| 手机拍照 | 自动美颜、夜景模式去噪 |
| 安防监控 | 清晰识别车牌、人脸 |
| 工业质检 | 发现产品表面裂纹、缺陷 |
需要通过“滤波”这个工具修复缺陷、突出重点、提取特征。
1.2 什么是图像滤波
图像滤波（Image Filtering）是数字图像处理中的一项技术，通过对图像像素及其邻域像素进行数学运算，起到图像去噪、边缘检测、增强、平滑的作用。
处理过程：用一个“滤波器”在图像上滑动，计算每个位置的新像素值。
- 滤波器/卷积核：一个小的矩阵
1.3 什么是“噪声”
在图像处理中，“噪声”是指图像中错误的像素值。这些错误的像素值并非原始场景的一部分，而是在图像捕获、传输或处理过程中产生，它导致像素的亮度、颜色信息发生了非预期的改变。
不同噪声需要不同算法
噪声类型
- 高斯噪声
- 最常见的一种
- 每个像素的噪声值服从正态分布（高斯分布）
- 表现为图像中“雪花”，整体均匀的、细密的颗粒感
- 椒盐噪声
- 图像中随机出现的纯黑（0）或纯白（255）像素点
- 表现为像撒了胡椒和盐
- 泊松噪声
- 常见于低光成像
2、卷积核简介
在图像处理中，卷积核是一个二维矩阵，用于对图像进行滤波。它也被称为卷积矩阵，通常是一个正方形的 M×N 矩阵，其中 M 和 N 都是奇数（例如 3×3、5×5、7×7 等）。
卷积核可用于对图像中的每个像素进行数学运算，比如模糊或锐化图像。
2.1 使用核来锐化或模糊图像
假设有一个 3×3 的二维卷积核
kernel=np.array([[1,1,1],[1,1,1],[1,1,1]])对图像进行滤波是通过将核与图像进行卷积来实现的，步骤如下：
- 假设核的中心位于图像中的某个特定像素（p）处。
- 将核中的每个元素的值与源图像中对应像素元素（即其像素强度）相乘
- 将这些乘法运算的结果相加，并计算出平均值
- 最后，将像素点（p）的值替换为您刚刚计算出的平均值
通过改变核元素的值就能实现模糊或锐化效果。
2.2 identity kernel（恒等卷积核）
恒等核是一个方形矩阵，其中中间的元素为 1，而其他所有元素均为 0。
# 典型恒等核 3×3 的矩阵kernel=np.array([[0,0,0],[0,1,0],[0,0,0]])当该核与图像进行卷积时，卷积后图像不变：
- 只有中心像素参与计算；
- 权重为 1，其他邻域像素权重为 0；
- 因此每个位置的输出就是原像素值本身。
主要用途
- 调试卷积系统：验证 filter2D 是否正常工作：若输入=输出，则流程无误。
- 作为基准模型：在设计新滤波器前，先用恒等核确认图像处理流程正确。
- 组合滤波的基础
2.3 二维卷积核模糊图像
什么样的二维卷积核可以模糊图像？
模糊核的本质是“用邻域像素的加权平均代替当前像素”，从而抹平局部差异，达到模糊效果。
能够模糊图像的卷积核具有以下共同特征：
| 特征 | 说明 |
|---|---|
| 所有元素为非负数 | 权重不能为负，否则可能增强边缘而非模糊 |
| 元素之和为 1 | 保证整体亮度不变（避免变亮或变暗） |
| 尺寸通常为奇数方阵 | 3×3、5×5、7×7，便于定位中心 |
常见的模糊卷积核类型
均值滤波核
最简单的模糊核，所有元素相等。
kernel=np.array([[1,1,1],[1,1,1],[1,1,1]])/9# 总和为 1- 效果：均匀地对每个像素取平均
- 缺点：可能导致边缘“块状”失真（因为所有邻居权重相同）
- 函数：
cv2.blur(img, (3,3))
高斯滤波核
基于二维高斯分布设计，中心权重最大，向四周呈钟形衰减。
kernel=np.array([[1,2,1],[2,4,2],[1,2,1]])/16- 效果：自然平滑，保留更多结构信息
- 优点：能有效去除高斯噪声，且边缘过渡更柔和
- 函数：
cv2.GaussianBlur(img, (3,3), 0)
自定义模糊核
可以自定义模糊核，只要满足条件即可。
# 强调中心的模糊核kernel=np.array([[0.05,0.1,0.05],[0.1,0.4,0.1],[0.05,0.1,0.05]])# 总和 ≈ 1.0- 函数：
cv2.filter2D(image, -1, kernel)
模糊原理（局部加权平均）
假设有一个图像区域如下（灰度值）：
[100,110,105][108,255,102]← 中心是极端值（可能是噪声）[103,107,106]使用均值核处理后：
- 新中心值 = 邻域平均 ≈ 120
- 原来的“255”被“拉回”到正常范围
- 突兀的像素被周围同化 → 视觉上变模糊了
3、相关函数
3.1 cv2.filter2D()函数
filter2D是实现自定义滤波器的核心工具，广泛应用于图像增强、边缘检测、模糊、锐化等任务。
filter2D 的核心是卷积（Convolution）：
- 将 kernel 在图像上从左到右、从上到下滑动
- 在每个位置，将 kernel 的每个元素与对应区域的像素值相乘
- 所有乘积累加，得到一个新的像素值
函数定义
dst = cv2.filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=0, borderType=cv2.BORDER_DEFAULT)- 参数说明
| 参数 | 类型 | 说明 |
|---|---|---|
| src | NumPy数组 | 图像 |
| ddepth | int | 输出图像的深度，通常设置为 -1，表示与输入相同 |
| kernel | NumPy数组（核/掩模） | 卷积核（滤波器），大小为奇数方阵（如 3×3, 5×5），类型为浮点型 |
| dst | 可选输出 | 输出图像，通常不传 |
| anchor | 元组 (x,y) | 卷积核的锚点，默认为 (-1, -1)，表示中心点。 |
| delta | float | 可选偏移值，在卷积后加到结果上（可用于亮度调节） |
| borderType | int | 边界填充方式 |
3.2 其它函数
建议用测试代码查看效果。
| 方法 | 函数 | 特点 |
|---|---|---|
| 均值模糊 | cv2.blur() | 所有像素权重相等，容易导致边缘模糊 |
| 高斯模糊 | cv2.GaussianBlur() | 中心权重高，边缘保留较好，最常用 |
| 中值模糊 | cv2.medianBlur() | 对椒盐噪声效果好，非线性滤波 |
| 双边滤波 | cv2.bilateralFilter() | 保边去噪，但较慢 |
)
