图像处理入门的第一道坎，十有八九是“去抖动”这三个字。我刚接触图像算法那会儿，拿到一张带噪点的图，第一反应就是“上个滤波不就完了”，结果高斯、均值、中值三个名字摆在面前，选哪个、参数怎么调、为什么调完反而更糊了，全靠试。后来在几个实际项目里反复踩坑才明白，这三种滤波看着都是“平滑”，骨子里的脾气完全不同，用错了场景，轻则细节丢失，重则把该保留的边缘全抹平。这篇就围绕图像去抖动这件事，把高斯滤波、均值滤波、中值滤波这三种最常用的平滑手段掰开揉碎讲清楚，从原理到参数、从代码到排错，尽量做到你照着就能复现。不管你是刚学图像处理的学生，还是要在项目里快速出效果的一线开发者，看完至少能搞清楚一件事：面对一张具体的噪声图，我该先试哪个。
1. 三种滤波的整体设计思路与选型逻辑
1.1 为什么“去抖动”本质上是噪声抑制问题
先把概念对齐。日常说的“图像抖动”，在算法层面通常指两类东西：一类是传感器在暗光下产生的高频随机噪点，表现为画面上密密麻麻的雪花；另一类是图像在采集、压缩、传输过程中混入的孤立异常像素，表现为零星的白点或黑点。这两类问题的共同特征是“高频突变”，而平滑滤波的核心思想就是用一个邻域内的加权或统计结果，去替换中心像素的值，从而压制这种突变。
所以三种滤波的差异，本质上是“怎么定义邻域内像素的代表值”这个问题的三种答案。均值滤波认为邻域内所有像素地位平等，直接取算术平均；高斯滤波认为离中心越近的像素越重要，按距离给权重；中值滤波则干脆不看平均值，直接把邻域像素排序取中间那个。这个根本差异决定了它们对噪声类型、边缘保留、计算开销的偏好完全不同。
我在实际项目里总结出一条朴素的选型直觉：高斯噪声优先高斯滤波，椒盐噪声优先中值滤波，均值滤波作为基线对照和快速验证手段。这条直觉不是拍脑袋来的，后面几节会把背后的道理讲透。
1.2 三种滤波的定位对比与选型表
在动手写代码之前，先把三者的定位摆清楚，能省掉大量无效试错。下面这张表是我在多个项目里反复验证后整理的对照，参数和效果描述都基于常见的 3×3 到 7×7 核尺寸范围。
| 维度 | 均值滤波 | 高斯滤波 | 中值滤波 |
|---|---|---|---|
| 核心思想 | 邻域算术平均 | 邻域距离加权平均 | 邻域排序取中值 |
| 擅长噪声 | 高斯噪声（轻度） | 高斯噪声 | 椒盐噪声、脉冲噪声 |
| 边缘保留 | 差，边缘明显模糊 | 中等，可调 | 好，边缘基本保留 |
| 计算复杂度 | 低 | 中（可分离优化） | 中高（需排序） |
| 参数敏感度 | 核尺寸 | 核尺寸 + 标准差 | 核尺寸 |
| 典型场景 | 快速预处理、基线 | 图像降噪、模糊背景 | 去除孤立噪点、医学图像 |
选型时有个容易被忽略的点：噪声类型判断比滤波选择更重要。我见过不少新手拿到图就直接上高斯，结果图里明明是椒盐噪声，高斯滤波只是把黑白点糊成了灰点，噪点数量没减少，画面反而更脏。判断方法很简单，放大看噪点形态：成片细密颗粒感的多是高斯噪声，孤立突兀的黑白点多是椒盐噪声。
1.3 核尺寸与滤波强度的取舍逻辑
三种滤波都绕不开一个核心参数——核尺寸（kernel size），通常是 3×3、5×5、7×7 这样的奇数方阵。核越大，参与计算的邻域越广，平滑效果越强，但代价是细节丢失越严重、计算量按平方增长。这里有个实操中必须建立的直觉：核尺寸每增大一档，平滑强度大致翻倍，但细节损失不是线性增加的，而是过了某个点后急剧恶化。
以 512×512 的图像为例，3×3 核每个像素要读 9 个邻域值，5×5 是 25 个，7×7 是 49 个。计算量从 9 跳到 49，接近 5.4 倍，但视觉上的平滑提升往往只有一点点。所以我的经验是：先用 3×3 试，不够再上 5×5，7×7 及以上只在噪声极重且对细节要求不高的场景用。高斯滤波还多一个标准差参数，这个后面单独讲，它和核尺寸的配合关系是很多人调参调不明白的根源。
2. 三种滤波的核心原理与关键细节拆解
2.1 均值滤波：最直白的邻域平均及其副作用
均值滤波的逻辑简单到不需要太多解释：对图像上每个像素，取它周围一个方形邻域内所有像素的算术平均值，作为该像素的新值。3×3 核就是把中心像素和周围 8 个邻居加起来除以 9。数学上这就是一个所有元素都为 1/9 的卷积核在图像上滑动。
它的优点是实现极简、计算快、对均匀区域的高斯噪声有立竿见影的压制效果。但副作用也很典型：均值滤波不区分像素位置，边缘两侧的像素被一视同仁地平均，导致边缘被“拉平”。举个例子，一条黑白分界线，左边全黑右边全白，经过 3×3 均值滤波后，分界线附近会多出一圈灰色过渡带，边界变得模糊。核越大，这条灰带越宽。
还有一个容易被忽视的问题：均值滤波对椒盐噪声几乎无效，甚至有害。因为一个极端的白点（255）混进邻域，会把平均值整体拉高，结果是噪点没去掉，反而在周围扩散出一片亮斑。我在早期项目里就吃过这个亏，图里几个孤立白点，均值滤波后变成了一小片发白的糊区，比原来还难看。
实操上，均值滤波更适合作为基线对照——先用它跑一遍，看看平滑的基本效果，再决定要不要换更精细的方法。OpenCV 里一行cv2.blur(img, (3,3))就能出结果，非常适合快速验证。
2.2 高斯滤波：按距离加权的平滑艺术
高斯滤波和均值滤波的最大区别在于权重分配。它不再让邻域内所有像素平等投票，而是按像素到中心的距离分配权重，离中心越近权重越大，越远权重越小，权重分布服从二维高斯函数。这符合一个朴素的直觉：离我越近的像素，跟我越像，参考价值越大。
二维高斯核的权重由公式决定，核心参数是标准差 σ（sigma）。σ 越大，权重分布越“扁平”，核边缘的像素也能获得较高权重，平滑效果越强；σ 越小，权重越集中在中心，平滑越温和。这里有个关键细节很多人搞不清：核尺寸和 σ 是配合关系，不是独立参数。核尺寸决定了“看多远”，σ 决定了“看多远范围内的权重怎么衰减”。如果 σ 设得很大但核尺寸很小，相当于权重还没衰减完就被截断了，效果会失真；反过来 σ 很小但核很大，核边缘的权重几乎为零，等于白算了一堆。
经验上有个常用规则：σ 取核尺寸的 1/6 到 1/3 之间比较合理。比如 5×5 核，σ 取 1.0 到 1.5 左右；7×7 核，σ 取 1.5 到 2.0 左右。这个范围不是硬性规定，但能避免大部分“调了半天没变化”或“一调就糊成一片”的尴尬。
高斯滤波还有个工程上的大优势：二维高斯核可以拆成两个一维核分别做水平和垂直卷积，计算量从 O(k²) 降到 O(2k)。7×7 核直接算是 49 次乘加，拆开后只要 14 次，快了 3 倍多。OpenCV 的cv2.GaussianBlur内部就做了这个优化，所以实际用起来性能并不差。
它对高斯噪声的压制效果是三兄弟里最自然的，因为高斯噪声本身服从高斯分布，用高斯核去平滑相当于用同族的模型去拟合，过渡平滑、不留明显痕迹。但代价是边缘也会被一定程度模糊，只是比均值滤波温和一些。
2.3 中值滤波：排序取中值的非线性思路
中值滤波是三者里唯一的非线性滤波，思路完全不同：把邻域内所有像素值排序，取正中间那个值作为中心像素的新值。3×3 核就是 9 个数排序取第 5 个，5×5 核就是 25 个数排序取第 13 个。
这个“取中值”的操作对椒盐噪声有奇效。想象一个邻域里大部分是正常像素，混进一个极端的白点（255），排序后这个白点会跑到最末尾，取中值时根本轮不到它，直接被排除。所以中值滤波能在去除孤立噪点的同时，几乎不影响其他像素，边缘保留得相当好。这也是它在医学图像、文档扫描、监控画面等对细节敏感场景里受欢迎的原因。
但中值滤波不是万能的。它对高斯噪声的压制效果一般，因为高斯噪声是成片分布的，邻域里可能一半像素都偏离了正常值，取中值也未必能纠正。另外它的计算开销比前两者高，因为排序本身有成本，核越大越明显。5×5 核要排 25 个数，7×7 要排 49 个，虽然现代处理器排序很快，但在高分辨率视频流里还是要掂量一下。
还有个实操细节：中值滤波的核尺寸必须是奇数，否则没有唯一的中间位置。而且核尺寸的选择对椒盐噪声去除效果影响很大——如果噪点密度很高，3×3 核可能邻域里一半都是噪点，取中值也救不回来，这时候得上 5×5 甚至更大。我一般会先估算噪点密度，密度超过 10% 就直接考虑 5×5 起步。
3. 完整实操流程与核心环节实现
3.1 环境准备与依赖确认
动手之前先把环境理顺。这套流程我用 Python + OpenCV 演示，因为它是图像处理领域最通用的组合，装起来也简单。需要的东西不多：Python 3.8 以上、OpenCV（opencv-python）、NumPy、Matplotlib（用于对比展示）。安装命令如下：
pip install opencv-python numpy matplotlib装完验证一下版本，避免老版本 API 差异带来的困惑：
import cv2 import numpy as np print(cv2.__version__) print(np.__version__)我建议用虚拟环境隔离，避免和系统里其他项目的依赖打架。这一步看着琐碎，但我在多个项目里见过因为 OpenCV 版本不一致导致GaussianBlur参数行为差异的坑，提前确认版本能省掉后面排查的时间。
3.2 构造测试图像与噪声注入
要验证滤波效果，得先有带噪声的图。实际项目里噪声来源复杂，但做实验时手动注入噪声最可控。我一般准备一张清晰的基准图，然后分别注入高斯噪声和椒盐噪声，这样能直观对比三种滤波对不同噪声的表现。
import cv2 import numpy as np # 读取基准图并转灰度，简化分析 img = cv2.imread('base.jpg', cv2.IMREAD_GRAYSCALE) # 注入高斯噪声：均值0，标准差25 gaussian_noise = np.random.normal(0, 25, img.shape).astype(np.float32) img_gaussian = np.clip(img.astype(np.float32) + gaussian_noise, 0, 255).astype(np.uint8) # 注入椒盐噪声：密度约5% img_saltpepper = img.copy() density = 0.05 num_noise = int(density * img.size) coords = [np.random.randint(0, i, num_noise) for i in img.shape] img_saltpepper[tuple(coords)] = 255 # 白点 coords = [np.random.randint(0, i, num_noise) for i in img.shape] img_saltpepper[tuple(coords)] = 0 # 黑点这里有个细节值得说：高斯噪声注入时用np.clip把值限制在 0 到 255，否则溢出会产生奇怪的截断伪影，干扰后续判断。椒盐噪声的密度参数我一般取 3% 到 5%，太低看不出差异，太高三种滤波都救不回来，失去对比意义。
3.3 三种滤波的代码实现与参数设置
有了测试图，三种滤波各跑一遍。OpenCV 的 API 都很直接，关键是参数怎么设。
# 均值滤波，3×3核 mean_result = cv2.blur(img_gaussian, (3, 3)) # 高斯滤波，5×5核，sigma=1.5 gaussian_result = cv2.GaussianBlur(img_gaussian, (5, 5), 1.5) # 中值滤波，3×3核（对椒盐噪声用） median_result = cv2.medianBlur(img_saltpepper, 3)参数设置上，我按前面讲的规则来：均值滤波核尺寸从 3×3 起步；高斯滤波 5×5 配 σ=1.5，落在核尺寸 1/6 到 1/3 的合理区间；中值滤波对椒盐噪声用 3×3，如果噪点密度高再升到 5×5。这里要强调一点：高斯滤波的核尺寸和 σ 要一起调，单独改一个往往得不到预期效果。我见过有人把核从 3×3 改到 7×7 但 σ 还是 0.5，结果平滑效果几乎没变，因为权重全集中在中心，大核等于没用上。
3.4 效果对比与量化评估
光看图不够客观，我习惯加一个量化指标——峰值信噪比（PSNR），数值越高说明和原图越接近、去噪效果越好。计算方式如下：
def psnr(original, processed): mse = np.mean((original.astype(np.float32) - processed.astype(np.float32)) ** 2) if mse == 0: return float('inf') return 10 * np.log10(255 ** 2 / mse) print('高斯噪声图 - 均值滤波 PSNR:', psnr(img, mean_result)) print('高斯噪声图 - 高斯滤波 PSNR:', psnr(img, gaussian_result)) print('椒盐噪声图 - 中值滤波 PSNR:', psnr(img, median_result))实测下来，高斯噪声场景里高斯滤波的 PSNR 通常比均值滤波高 1 到 3 dB，差距不算悬殊但肉眼能看出高斯滤波的过渡更自然。椒盐噪声场景里中值滤波的 PSNR 优势非常明显，往往比均值滤波高出 5 dB 以上，因为均值滤波对椒盐噪声基本无效。这个量化对比能帮你快速确认选型是否正确，比单纯看图靠谱。
展示对比时，我一般用 Matplotlib 拼成 2×3 的网格，原图、噪声图、各滤波结果并排，一眼就能看出差异。这里不展开画图代码，重点是把评估逻辑讲清楚：PSNR 是参考，肉眼是最终裁判，两者结合才能判断滤波是否真的解决了问题。
4. 常见问题与排查技巧实录
4.1 滤波后图像整体变暗或发灰
这是新手最常问的问题之一。原因通常出在数据类型和溢出处理上。图像像素是 uint8 类型，范围 0 到 255，滤波计算过程中如果中间结果超出这个范围又没有正确截断，就会发生回绕——比如 260 变成 4，导致画面出现异常暗斑或亮斑。解决办法是在滤波前后确保数据类型正确，OpenCV 的滤波函数内部会处理饱和截断，但如果你自己手写卷积，一定要用np.clip限制范围。
还有一种情况是高斯滤波后整体偏暗，这多半是核没有归一化。高斯核的所有权重加起来应该等于 1，如果归一化没做好，结果就会整体偏移。用 OpenCV 的GaussianBlur不会有这个问题，但手写实现时要记得除以权重总和。
4.2 椒盐噪声越滤越多
这个问题的根源是选错了滤波类型。前面讲过，均值滤波和高斯滤波对椒盐噪声都无能为力，甚至会把孤立噪点扩散成一片。如果你发现滤波后噪点数量没减少反而变多、变糊，第一反应应该是换中值滤波。判断方法很简单：放大看噪点是不是孤立的黑白点，是的话直接上cv2.medianBlur。
如果换了中值滤波还是去不干净，那多半是核尺寸太小。椒盐噪声密度高的时候，3×3 核的邻域里可能一半都是噪点，取中值也选不到正常值。这时候把核升到 5×5，让邻域里有足够多的正常像素参与排序，效果会明显改善。我一般按噪点密度估算：密度 5% 以下用 3×3，5% 到 15% 用 5×5，再高就得考虑更复杂的去噪算法了。
4.3 边缘模糊严重，细节全丢
这是平滑滤波的固有代价，但可以通过参数控制把损失降到可接受范围。核心原则是在能压住噪声的前提下，用尽可能小的核和尽可能温和的参数。具体做法是：先用 3×3 小核试，看噪声是否可接受，不行再逐步加大，而不是一上来就 7×7。
高斯滤波在这方面比均值和蔼一些，因为它的权重集中在中心，边缘像素的影响被削弱了。如果对边缘保留要求高，可以优先选高斯滤波并适当调小 σ。中值滤波的边缘保留最好，但只对椒盐噪声有效，对高斯噪声场景帮不上忙。还有一种进阶做法是双边滤波，它能在平滑的同时保留边缘，但计算开销大，不在这次讨论范围内，知道有这么个选项即可。
4.4 常见问题速查表
把上面这些坑整理成一张表，方便你遇到问题时快速定位。
| 现象 | 可能原因 | 排查与解决 |
|---|---|---|
| 图像整体变暗/发灰 | 数据类型溢出或核未归一化 | 检查 uint8 截断，确认核权重和为 1 |
| 椒盐噪声越滤越多 | 误用均值/高斯滤波 | 改用中值滤波，核尺寸按密度调整 |
| 边缘模糊严重 | 核尺寸过大或 σ 过大 | 减小核尺寸，高斯滤波调小 σ |
| 滤波后几乎没变化 | 高斯核尺寸与 σ 不匹配 | σ 取核尺寸的 1/6 到 1/3 |
| 计算速度慢 | 核尺寸过大或未用可分离优化 | 优先用 OpenCV 内置函数，避免手写大核卷积 |
| 噪点去不干净 | 核尺寸小于噪声尺度 | 逐步增大核尺寸，观察 PSNR 变化 |
4.5 几条踩坑换来的实操心得
第一条，永远先判断噪声类型再选滤波。我早期图省事，拿到图直接上高斯，结果在椒盐噪声图上折腾半天没效果，回头一看噪点形态就明白了。判断噪声类型花不了十秒钟，能省掉大量试错。
第二条，参数调整要一次只动一个。核尺寸和 σ 一起改，你根本不知道是哪个起了作用。我的习惯是先固定 σ，调核尺寸看趋势，找到大致范围后再微调 σ。
第三条，PSNR 高不代表看着舒服。有些参数组合 PSNR 数值漂亮，但画面过渡生硬、有块状感。最终还是要靠眼睛判断，量化指标只是辅助。我在一个文档扫描项目里就遇到过 PSNR 最优但文字边缘发虚的情况，最后降了一档核尺寸才满意。
第四条，别迷信单一滤波。实际项目里经常是组合使用，比如先中值滤波去椒盐噪点，再高斯滤波压高斯噪声，顺序不能反——先高斯会把椒盐点糊开，中值就不好处理了。这个组合思路在处理混合噪声时很实用。
最后分享一个我常用的快速验证流程：拿到图，先放大看噪点形态，判断类型；然后 3×3 核跑一遍对应滤波，看 PSNR 和肉眼效果；不满意再升到 5×5；还不行就考虑组合滤波或换更高级的算法。这套流程走下来，大部分常规去抖动需求都能在几分钟内定下方案。至于更复杂的场景，比如运动模糊、压缩伪影，那就不是这三种基础滤波能解决的了，得另开一篇讲。
