Python OpenCV图像平滑处理详解：均值、方框、高斯与中值滤波

小岛来信

发布时间：2026-10-14 | 3人浏览过

原创

本文详细介绍Python中OpenCV库的四种图像平滑算法：均值滤波、方框滤波、高斯滤波和中值滤波。通过具体代码示例与参数解析，演示如何添加噪声并应用不同核大小进行去噪处理，对比各算法在保留边界信息与消除模糊方面的效果差异，帮助开发者掌握图像预处理的核心技术。

图像平滑处理概述

本文主要讲解如何使用Python调用OpenCV库来实现图像平滑处理，涵盖四种核心算法：均值滤波、方框滤波、高斯滤波以及中值滤波。

首先，我们需要为图像添加噪声以模拟真实场景中的干扰情况。


import cv2
import numpy as np

def test10():
  img = cv2.imread("result.jpg", cv2.IMREAD_UNCHANGED)
  rows, cols, chn = img.shape
  # 加噪声
  for i in range(5000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    img[x, y, :] = 255
  cv2.imshow("demo", img)
  if cv2.waitKey(0) == 27:
    cv2.destroyWindow("demo")
test10()

添加噪声后的图像效果如下所示。

均值滤波原理与实现

均值滤波的原理是：图像中任意一点的像素值，等于其周围N*M个像素值的算术平均值。在OpenCV中，使用cv2.blur()函数实现，调用格式为result = cv2.blur(图像, 核大小)。其中，核大小是一个以(宽度, 高度)表示的元组，常见的设置包括(3, 3)和(5, 5)。

均值滤波的具体实现代码如下。


import matplotlib.pyplot as plt
import cv2
def test11():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
  # 均值滤波
  result = cv2.blur(source, (5, 5))

  # 显示图像
  title = ["demo1", "demo2"]
  imgs = [source, result]
  for i in range(2):
    plt.subplot(1, 2, i+1)　　　　 plt.imshow(imgs[i], "gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test11()

应用均值滤波后的效果如下。

增大核尺寸会导致图像更加模糊，例如将核大小设置为(20, 20)时，效果如上图所示。相反，如果设置为(1, 1)，处理结果将等同于原图，因为此时核中每个像素的权重相同，即为均值计算。

方框滤波与归一化控制

接下来介绍方框滤波。

方框滤波与均值滤波的核结构基本一致，主要区别在于是否进行归一化处理。OpenCV通过cv2.boxFilter()函数实现方框滤波，其函数定义为：result = cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)。其中，目标图像深度为int类型，通常使用“-1”表示与原始图像保持一致；核大小通常包括(3, 3)和(5, 5)。normalize属性用于控制是否对目标图像进行归一化。当normalize为true时，执行均值化处理；当normalize为false时，不进行归一化，此时计算的是周围各像素值的直接求和，极易发生数值溢出，溢出部分的像素值显示为白色，对应数值为255。

方框滤波的代码实现如下。


import cv2
import matplotlib.pyplot as plt
def test12():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
  # 方框滤波
  result = cv2.boxFilter(source, -2, (5, 5), normalize=1)
  # 显示图像
  title = ["demo1", "demo2"]
  imgs = [source, result]
  for i in range(2):
    plt.subplot(1, 2, i+1), plt.imshow(imgs[i], "gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test12()

方框滤波（默认归一化）的效果如下。

如果省略normalize参数，默认执行归一化处理。若设置normalize=0，则不进行归一化，像素值为周围像素值的总和，这会导致图像大部分区域呈现白色。

不执行归一化的效果如下。

从上图可以看出，大量像素显示为白色，这是因为图像求和结果大多达到了最大值255。如果将核大小设置为2*2矩阵，仅取四个像素进行计算，效果会有所改善。示例代码为：result = cv2.boxFilter(source, -1, (2, 2), normalize=0)。

高斯滤波与权重分布

高斯滤波让邻近像素具有更高的权重，对周围像素计算加权平均值，距离中心越近的像素拥有较大的权重值。OpenCV中使用cv2.GaussianBlur()函数，公式为：dst = cv2.GaussianBlur(src, ksize, sigmaX)。其中，src表示原始图像，ksize表示核大小，sigmaX表示X方向的方差。需要注意的是，核大小(N, N)必须为奇数，X方向方差主要用于控制权重分布。

高斯滤波的代码实现如下。


import cv2
import matplotlib.pyplot as plt
def test12():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA)
  # 高斯滤波
  result = cv2.GaussianBlur(source, (3, 3), 0)
  # 显示图像
  title = ["demo1", "demo2"]
  imgs = [source, result]
  for i in range(2):
    plt.subplot(1, 2, i+1), plt.imshow(imgs[i], "gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test12()

高斯滤波的效果如下。

随着核尺寸增加，图像会变得更为模糊，例如将核大小设置为(17, 17)时的效果。

中值滤波与边界保留

中值滤波采用非线性处理方法，在使用邻域平均法去噪的同时容易使边界变得模糊。中值滤波在去噪的同时能够兼顾边界信息的保留。具体操作是选择一个包含奇数点的窗口W，在图像上扫描，将窗口内像素点的灰度级按升序或降序排列，取位于中间的灰度值来替代该点的原始灰度值。

OpenCV主要通过cv2.medianBlur()函数实现中值滤波，在图像平滑处理中，中值滤波的效果通常最佳。函数定义为：dst = cv2.medianBlur(src, ksize)。其中，src表示源图像，ksize表示核大小。核大小必须是大于1的奇数，如3、5、7等。

中值滤波的代码实现如下。


import cv2
def test13():
  img = cv2.imread("result.jpg")
  # 高斯滤波
  result = cv2.medianBlur(img, 5)
  cv2.imshow("demo1", img)
  cv2.imshow("demo2", result)
  if cv2.waitKey(0) == 27:
    cv2.destroyWindow("demo1")
    cv2.destroyWindow("demo2")
test13()

中值滤波的效果如下。