1 前言

图像的平滑处理，也叫做模糊处理，是在尽量保留原始图像信息的情况下，抑制或去除图像内的噪声、降低细节层次信息等一系列过程。是一种操作简单但使用频率很高的图像处理方法。由于实际的图像索引方式，与我们常用的x和y轴的定义方式不同，为了确保符号清晰，我们在空间坐标系中表示图像处理滤波器或图像时，一般使用n1和n2来分别表示x和y轴方向的离散坐标。

比如：以一个像素为核心，其周围像素可以组成一个n1行n1列（简称n1 x n2）的矩阵，这样的矩阵结构在滤波操作中被称为“滤波核”。矩阵的行、列数，决定了滤波核的大小。如下图所示的滤波核大小为3x3，包含9个像素。

在OpenCV中，经常用到的二维图像平滑处理有以下4种：均值滤波、中值滤波、高斯滤波和双边滤波。本节我们一起看一下，用C++调用OpenCV接口，如何实现对图像的平滑处理。 

2 均值滤波

2.1 原理

均值滤波器是一种典型的线性滤波算法，可以把图像中的每一个像素当成滤波核的核心，然后计算核内所有像素的平均值，最后将核心像素值改成平均值。其计算过程如下图所示：

 (89 + 134 + 206 + 198 + 24 + 140 + 154 + 199 + 89) / (3 x 3) = 137

滤波核大小是3 x 3，核心像素值是24，与周围像素值相比偏小，所以可以认为核心像素值是噪声。先将滤波核中的所有像素值相加，然后除以像素个数，就得出了平均值137。最后将核心像素值改成137，其颜色与周围像素颜色差别就不大了，图像看起来就变得平滑了。这就是均值滤波器降噪的原理。

2.2 关键接口

C++调用OpenCV实现均值滤波的关键函数原型：

CV_EXPORTS_W void blur( InputArray src, OutputArray dst,
                        Size ksize, Point anchor = Point(-1,-1),
                        int borderType = BORDER_DEFAULT );

参数说明：

参数1：被处理的图像

参数2：均值滤波处理之后的图像

参数3：滤波核大小，其格式为（高度，宽度），建议使用（3,3），（5,5），（7,7）等  宽、高相等的奇数边长。滤波核越大，处理之后的图像越模糊

参数4：滤波核的锚点，建议采用默认值，可以自动计算锚点

参数5：边界样式，建议采用默认值

2.3 代码实现

示例代码采用5 x 5的滤波核，对图像进行均值滤波处理：

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//均值滤波对图像进行平滑处理
int main()
{
	//定义滤波核大小5x5
	int size = 5;

	//打开原图
	Mat img = imread("flower.jpg");

	//打开失败
	if (img.empty())
	{
		cout << "打开图片失败" << endl;
		return -1;
	}
	Mat blurImg;

	//均值滤波降低图像噪声
	blur(img, blurImg, Size(size, size));
	//显示原图像
	imshow("原图", img);
	//显示去噪后的图像
	imshow("均值滤波", blurImg);
	imwrite("blur.jpg", blurImg);
	waitKey(0);

	//关闭所有窗口
	destroyAllWindows();
	return 0;
}

2.4 效果图

均值滤波器的主要作用是减少图像噪声。当图像中有高斯白噪声时，均值滤波器就可以降低该噪声，因为它可以在像素的相邻像素区域之间取平均值，所以零均值的白噪声将会被抑制。均值滤波器在减少白噪声方面做得比较好。

3 中值滤波

3.1 原理

二维的中指滤波器原理与均值滤波器类似，不同的地方是不计算滤波核内像素的平均值，而是将所有像素值排序，然后把核心像素值，改成最中间的像素值。整个过程会将图像中的每个像素，以其滤波尺寸大小的邻域内像素强度的中值来替代。

其计算过程如下图所示：

 24  89  89  134  140  154  198  199  206

3.2 关键接口

C++调用OpenCV实现中值滤波的关键函数原型：

CV_EXPORTS_W void medianBlur( InputArray src, OutputArray dst, int ksize );

参数说明：

参数1：待处理的图像

参数2：中值滤波处理后的图像

参数3：滤波核大小，其值表示边长，必须是大于1的奇数 3,5,7等

3.3 代码实现

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//中值滤波对图像进行平滑处理
int main()
{
	//定义滤波核大小5x5
	int size = 5;

	//打开原图
	Mat img = imread("flower.jpg");

	//打开失败
	if (img.empty())
	{
		cout << "打开图片失败" << endl;
		return -1;
	}
	Mat medianblurImg;

	//中值滤波降低图像噪声
	medianBlur(img, medianblurImg, size, size);
	//显示原图像
	imshow("原图", img);
	//显示去噪后的图像
	imshow("中值滤波", medianblurImg);
	imwrite("medianBlur.jpg", medianblurImg);
	waitKey(0);

	//关闭所有窗口
	destroyAllWindows();
	return 0;
}

3.4 效果图

中值滤波器有利于去除椒盐噪声。椒盐噪声通常是在获取图像时，突然出现的扰动造成的，一般在图像中以黑白像素的形式出现。

4 高斯滤波

4.1 原理

高斯滤波器是均值滤波器的修正版本，它将正态分布应用于图像处理中。滤波器中心位置的权重最高，越远离核心的像素权重越低，从中心点向外呈正态分布。像素权重不同不能取平均值，要从权重高的像素中取较多的信息，从权重低的像素中取较少的信息。其权重如下图所示：

高斯滤波的计算过程，涉及到卷积运算，会有一个与滤波核大小相同的卷积核。我们以3 x 3的滤波核为例，来描述一下计算过程。卷积核中保存的值，就是核所覆盖区域的权重值。卷积核中所有权重值相加，结果为1.

如下图所示的3 x 3卷积核。

高斯滤波的计算过程，就是将滤波核中的像素值，与卷积核进行卷积运算，最后将结束结果赋值给滤波核的核心像素。

滤波核中的每个像素值，与卷积核对应位置的权重值相乘，最后计算出9个值：

89 x 0.05    134 x 0.1   206 x 0.05                                      4.45    13.4  10.3

198 x 0.1     24 x 0.4    140 x 0.1                    =                 19.8    9.6    14

154 x 0.05  199 x 0.1   89 x 0.05                                        7.7     19.9  4.45

把这9个值累加，四舍五入取整：

4.45 + 13.4 + 10.3 + 19.8 + 9.6 + 14 + 7.7 + 19.9 + 4.45 = 103.6 ≈ 104

最后得到的这个结果，就是高斯滤波计算结果，滤波核核心像素值，从24改成了104。

4.2关键接口

C++调用OpenCV实现高斯滤波的关键函数原型：

CV_EXPORTS_W void GaussianBlur( InputArray src, OutputArray dst, Size ksize,
                                double sigmaX, double sigmaY = 0,
                                int borderType = BORDER_DEFAULT );

参数说明：

参数1：待处理的图像

参数2：高斯滤波处理之后的图像

参数3：滤波核的大小，宽高必须是奇数，与均值滤波相同

参数4：卷积核水平方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例

参数5：卷积核垂直方向的标准差，建议填0，会根据滤波核的大小自动计算合适的权重比例

参数6：边界样式，建议使用默认值

4.3 代码实现

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//高斯滤波对图像进行平滑处理
int main()
{
	//定义滤波核大小5x5
	int size = 5;

	//打开原图
	Mat img = imread("flower.jpg");

	//打开失败
	if (img.empty())
	{
		cout << "打开图片失败" << endl;
		return -1;
	}
	Mat gaussImg;

	//高斯滤波5x5降噪
	GaussianBlur(img, gaussImg, Size(size, size), 0, 0);
	//显示原图像
	imshow("原图", img);
	//显示去噪后的图像
	imshow("高斯5x5", gaussImg);
	imwrite("gauss.jpg", gaussImg);
	waitKey(0);

	//关闭所有窗口
	destroyAllWindows();
	return 0;
}

4.4 效果图

高斯滤波也被叫做高斯模糊或高斯平滑，是目前应用最广泛的图像平滑处理算法。高斯滤波可以很好地降低图像噪声，同时将保留更多的细节层次，经过处理的图像，呈现“磨砂玻璃”的滤镜效果。

5 双边滤波

5.1 原理

双边滤波器是一种非线性滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器会自动判断滤波核处于“平坦”区域还是“边缘”区域：如果滤波核处于“平坦”区域，则会使用类似高斯滤波的算法进行滤波；如果滤波核处于“边缘”区域，则加大“边缘”像素的权重，尽可能地让这些像素值保持不变。

5.2 关键接口

C++调用OpenCV实现高斯滤波的关键函数原型：

CV_EXPORTS_W void bilateralFilter( InputArray src, OutputArray dst, int d,
                                   double sigmaColor, double sigmaSpace,
                                   int borderType = BORDER_DEFAULT );

参数说明：

参数1：待处理的图像

参数2：双边滤波处理后的图像

参数3：以当前像素为中心的整个滤波区域的直径。如果d<0，则自动根据sigmaSpace参数  计算得到。该值与保留的边缘信息数量成正比，与方法运行效率成反比

参数4：参与计算的颜色范围，这个值是像素颜色值与周围颜色值的最大差值，只有颜色值  之差小于这个值时，周围的像素才进行滤波计算。值为255时，表示所有颜色都参与计算

参数5：坐标空间的σ(sigma)值，该值越大，参与计算的像素数量就越多

参数6：边界样式，建议默认值

5.3 代码实现

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

//双边滤波对图像进行平滑处理
int main()
{
	//定义滤波区域直径大小
	int d = 5;

	//打开原图
	Mat img = imread("flower.jpg");

	//打开失败
	if (img.empty())
	{
		cout << "打开图片失败" << endl;
		return -1;
	}
	Mat bfImg;

	//双边滤波平滑处理
	bilateralFilter(img, bfImg, d, 2 * d, d / 2);
	//显示原图像
	imshow("原图", img);
	//显示去噪后的图像
	imshow("双边滤波", bfImg);
	imwrite("bilateral.jpg", bfImg);
	waitKey(0);

	//关闭所有窗口
	destroyAllWindows();
	return 0;
}

5.4 效果图

前边介绍的均值滤波、中值滤波和高斯滤波，都会使整幅图像变得平滑，图像中的边界会变得模糊不清。双边滤波与它们不同的地方是，在平滑过程中可以有效保护边界信息。

6 测试项目

6.1 创建项目

创建测试项目、配置开发环境，具体可参考之前文章，这里就不多说了

Win10+OpenCV4.6.0之开发环境（VS2022）配置入门_来灵的博客-CSDN博客

这次测试项目名称image_smoothing，VS2022种创建好的项目截图

 文件目录截图

下边代码是四种滤波器的总代码，您也可以创建每个滤波器单独的代码，这里不再赘述。

#include <opencv2\opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
	//定义滤波核大小5x5
	int size = 5;

	//定义滤波区域直径大小
	int d = 5;

	//打开原图
	Mat img = imread("flower.jpg");

	//打开失败
	if (img.empty())
	{
		cout << "打开图片失败" << endl;
		return -1;
	}
	Mat blurImg, medianblurImg, gaussImg, bfImg;

	//均值滤波降低图像噪声
	blur(img, blurImg, Size(size, size));

	//中值滤波降低图像噪声
	medianBlur(img, medianblurImg, size);

	//高斯滤波5x5降噪
	GaussianBlur(img, gaussImg, Size(size, size), 0, 0);

	//双边滤波平滑处理
	bilateralFilter(img, bfImg, d, 2 * d, d / 2);

	//显示原图像
	imshow("原图", img);
	//显示处理后的图像
	imshow("均值滤波", blurImg);
	imshow("中值滤波", medianblurImg);
	imshow("高斯滤波", gaussImg);
	imshow("双边滤波", bfImg);

	//保存处理后的图像
	imwrite("blur.jpg", blurImg);
	imwrite("medianBlur.jpg", medianblurImg);
	imwrite("gauss.jpg", gaussImg);
	imwrite("bilateral.jpg", bfImg);

	//按下任何键结束程序
	waitKey(0);

	//关闭所有窗口
	destroyAllWindows();
	return 0;
}

6.2 效果图

7 总结

最后对四种常用的图像滤波器用途做以总结：

滤波器类型	用途
均值滤波	降低高斯白噪声
中值滤波	降低椒盐噪声
高斯滤波	降低图像噪声
双边滤波	降低图像噪声、同时保护图像边界信息

8 参考文献

1 《Python OpenCV从入门到精通》明日科技

2 OpenCV: Image Filtering

3 OpenCV平滑图像_w3cschool

4 OpenCV计算机视觉学习（4）——图像平滑处理（均值滤波，高斯滤波，中值滤波，双边滤波） - 战争热诚 - 博客园