图像平滑（Image Smoothing）又称图像模糊，核心是通过邻域像素加权平均削弱图像中的高频噪声（如椒盐噪声、高斯噪声），同时尽可能保留图像的低频信号（如轮廓、大尺度纹理）。OpenCV 提供多种经典平滑算法，适配不同噪声类型和场景需求，广泛用于图像预处理（如特征提取、目标检测前降噪）、特效制作（如毛玻璃效果）等。
一、核心原理
1. 平滑的本质
图像噪声可视为像素值的随机波动（高频成分），平滑处理通过卷积运算或邻域统计，用周围像素的 “平均信息” 替代当前像素的 “噪声信息”，从而降低波动：
- 卷积运算：用一个固定大小的 “核（Kernel）” 遍历图像，核内每个元素为权重，当前像素值 = 核与邻域像素的加权和；
- 邻域统计：直接计算邻域像素的均值、中值等统计量，作为当前像素的新值。
2. 常见噪声类型（平滑的处理目标）
| 噪声类型 | 特点 | 适配的平滑算法 |
|---|
| 椒盐噪声 | 图像中随机出现的黑白亮点（如通信干扰） | 中值滤波（最优）、双边滤波 |
| 高斯噪声 | 像素值服从高斯分布的随机噪声（如传感器噪声） | 高斯滤波（最优）、方框滤波 |
| 随机噪声 | 无固定分布的混合噪声 | 双边滤波、联合双边滤波 |
3. OpenCV 常用平滑算法对比
| 算法类型 | 核心逻辑 | 优点 | 缺点 | 适用场景 |
|---|
| 方框滤波（Box Blur） | 邻域像素等权重平均（核内元素全为 1/(k×k)） | 计算速度最快，实现简单 | 平滑过度易模糊细节 | 快速降噪、实时场景 |
| 高斯滤波（Gaussian Blur） | 邻域像素按高斯分布加权平均（中心权重高、边缘低） | 降噪效果好，细节保留好 | 计算速度中等 | 高斯噪声为主、需平衡降噪与细节 |
| 中值滤波（Median Blur） | 邻域像素排序后取中值替代当前像素 | 椒盐噪声降噪最优，边缘保留好 | 对高斯噪声效果一般 | 椒盐噪声、脉冲噪声 |
| 双边滤波（Bilateral Filter） | 结合空间距离权重和像素灰度相似度权重 | 降噪同时保留边缘（不模糊边缘） | 计算速度最慢 | 需保护边缘的场景（如人脸、轮廓） |
二、核心函数详解
1. 方框滤波：cv2.boxFilter()
函数原型
cv2.boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)
关键参数
| 参数 | 含义 | 默认值 / 常用值 |
|---|
src | 输入图像（单通道 / 多通道） | - |
ddepth | 输出图像深度（-1 表示与输入一致） | -1 |
ksize | 卷积核大小（格式(width, height)，需为奇数） | 如(3,3),(5,5) |
normalize | 是否归一化（True：权重和为 1；False：直接求和可能溢出） | True（推荐） |
2. 高斯滤波：cv2.GaussianBlur()
函数原型
cv2.GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
关键参数
| 参数 | 含义 | 默认值 / 常用值 |
|---|
sigmaX | X 方向高斯核标准差（控制模糊程度） | 0（自动根据 ksize 计算） |
sigmaY | Y 方向高斯核标准差（默认与 sigmaX 一致） | None（等于 sigmaX） |
| 说明 | 核大小ksize越大、sigmaX越大，模糊越强 | - |
3. 中值滤波：cv2.medianBlur()
函数原型
cv2.medianBlur(src, ksize, dst=None)
关键参数
| 参数 | 含义 | 注意事项 |
|---|
ksize | 邻域大小（必须为奇数，如 3,5,7） | 大小越大，降噪越强但细节越模糊 |
| 说明 | 仅支持单通道和 3 通道彩色图，不支持 4 通道（如透明图） | - |
4. 双边滤波：cv2.bilateralFilter()
函数原型
cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
关键参数
| 参数 | 含义 | 常用值范围 |
|---|
d | 邻域直径（-1 表示自动根据 sigmaSpace 计算） | -1 或 5~15 |
sigmaColor | 颜色空间标准差（越大，允许更多不同颜色参与平滑） | 10~100 |
sigmaSpace | 空间距离标准差（越大，邻域影响范围越大） | 10~100 |
| 说明 | sigmaColor和sigmaSpace越大，模糊越强 | - |
三、完整实现代码（多种场景）
1. 基础场景：四种平滑算法效果对比
对同一张含噪声图像应用四种算法，直观对比降噪效果和细节保留能力：
import cv2 import numpy as np import matplotlib.pyplot as plt # 1. 读取图像并添加混合噪声（模拟真实场景） img = cv2.imread("lena.jpg") if img is None: print("无法读取图像，请检查路径！") exit() h, w = img.shape[:2] img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 添加高斯噪声 + 椒盐噪声 def add_mixed_noise(img, gauss_sigma=20, salt_pepper_ratio=0.02): """添加混合噪声""" # 高斯噪声 gauss = np.random.normal(0, gauss_sigma, img.shape).astype(np.float32) img_noisy = img.astype(np.float32) + gauss img_noisy = np.clip(img_noisy, 0, 255).astype(np.uint8) # 椒盐噪声 salt = np.random.rand(h, w) < salt_pepper_ratio/2 pepper = np.random.rand(h, w) < salt_pepper_ratio/2 img_noisy[salt] = 255 img_noisy[pepper] = 0 return img_noisy img_noisy = add_mixed_noise(img) img_noisy_rgb = cv2.cvtColor(img_noisy, cv2.COLOR_BGR2RGB) # 2. 应用四种平滑算法 # 方框滤波（5×5核） box_blur = cv2.boxFilter(img_noisy, -1, (5, 5), normalize=True) box_blur_rgb = cv2.cvtColor(box_blur, cv2.COLOR_BGR2RGB) # 高斯滤波（5×5核，sigmaX=10） gauss_blur = cv2.GaussianBlur(img_noisy, (5, 5), sigmaX=10) gauss_blur_rgb = cv2.cvtColor(gauss_blur, cv2.COLOR_BGR2RGB) # 中值滤波（5×5核） median_blur = cv2.medianBlur(img_noisy, 5) median_blur_rgb = cv2.cvtColor(median_blur, cv2.COLOR_BGR2RGB) # 双边滤波（d=9，sigmaColor=75，sigmaSpace=75） bilateral_blur = cv2.bilateralFilter(img_noisy, d=9, sigmaColor=75, sigmaSpace=75) bilateral_blur_rgb = cv2.cvtColor(bilateral_blur, cv2.COLOR_BGR2RGB) # 3. 显示结果 plt.figure(figsize=(16, 10)) # 原图 + 噪声图 plt.subplot(2, 3, 1) plt.imshow(img_rgb) plt.title("Original Image") plt.axis("off") plt.subplot(2, 3, 2) plt.imshow(img_noisy_rgb) plt.title("Image with Mixed Noise") plt.axis("off") # 四种平滑结果 plt.subplot(2, 3, 3) plt.imshow(box_blur_rgb) plt.title("Box Blur (5×5)") plt.axis("off") plt.subplot(2, 3, 4) plt.imshow(gauss_blur_rgb) plt.title("Gaussian Blur (5×5, σ=10)") plt.axis("off") plt.subplot(2, 3, 5) plt.imshow(median_blur_rgb) plt.title("Median Blur (5×5)") plt.axis("off") plt.subplot(2, 3, 6) plt.imshow(bilateral_blur_rgb) plt.title("Bilateral Blur (d=9, σc=75, σs=75)") plt.axis("off") plt.tight_layout() plt.show()
2. 实用场景：针对性降噪（按噪声类型选择算法）
（1）椒盐噪声降噪（中值滤波最优）
import cv2 import numpy as np import matplotlib.pyplot as plt # 1. 读取图像并添加椒盐噪声 img = cv2.imread("lena.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 添加椒盐噪声 h, w = img.shape[:2] img_salt_pepper = img.copy() ratio = 0.05 # 噪声比例 salt = np.random.rand(h, w) < ratio/2 pepper = np.random.rand(h, w) < ratio/2 img_salt_pepper[salt] = 255 img_salt_pepper[pepper] = 0 img_salt_pepper_rgb = cv2.cvtColor(img_salt_pepper, cv2.COLOR_BGR2RGB) # 2. 中值滤波降噪（对比不同核大小） median_3 = cv2.medianBlur(img_salt_pepper, 3) # 3×3核 median_5 = cv2.medianBlur(img_salt_pepper, 5) # 5×5核 median_7 = cv2.medianBlur(img_salt_pepper, 7) # 7×7核 median_3_rgb = cv2.cvtColor(median_3, cv2.COLOR_BGR2RGB) median_5_rgb = cv2.cvtColor(median_5, cv2.COLOR_BGR2RGB) median_7_rgb = cv2.cvtColor(median_7, cv2.COLOR_BGR2RGB) # 3. 显示结果 plt.figure(figsize=(15, 8)) plt.subplot(2, 2, 1) plt.imshow(img_salt_pepper_rgb) plt.title("Salt & Pepper Noise (Ratio=5%)") plt.axis("off") plt.subplot(2, 2, 2) plt.imshow(median_3_rgb) plt.title("Median Blur (3×3)") plt.axis("off") plt.subplot(2, 2, 3) plt.imshow(median_5_rgb) plt.title("Median Blur (5×5)") plt.axis("off") plt.subplot(2, 2, 4) plt.imshow(median_7_rgb) plt.title("Median Blur (7×7)") plt.axis("off") plt.tight_layout() plt.show()
（2）高斯噪声降噪（高斯滤波最优）
import cv2 import numpy as np import matplotlib.pyplot as plt # 1. 读取图像并添加高斯噪声 img = cv2.imread("lena.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 添加高斯噪声（σ=30） gauss = np.random.normal(0, 30, img.shape).astype(np.float32) img_gauss = img.astype(np.float32) + gauss img_gauss = np.clip(img_gauss, 0, 255).astype(np.uint8) img_gauss_rgb = cv2.cvtColor(img_gauss, cv2.COLOR_BGR2RGB) # 2. 高斯滤波降噪（对比不同 sigma 值） gauss_σ5 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=5) gauss_σ10 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=10) gauss_σ20 = cv2.GaussianBlur(img_gauss, (5, 5), sigmaX=20) gauss_σ5_rgb = cv2.cvtColor(gauss_σ5, cv2.COLOR_BGR2RGB) gauss_σ10_rgb = cv2.cvtColor(gauss_σ10, cv2.COLOR_BGR2RGB) gauss_σ20_rgb = cv2.cvtColor(gauss_σ20, cv2.COLOR_BGR2RGB) # 3. 显示结果 plt.figure(figsize=(15, 8)) plt.subplot(2, 2, 1) plt.imshow(img_gauss_rgb) plt.title("Gaussian Noise (σ=30)") plt.axis("off") plt.subplot(2, 2, 2) plt.imshow(gauss_σ5_rgb) plt.title("Gaussian Blur (σ=5)") plt.axis("off") plt.subplot(2, 2, 3) plt.imshow(gauss_σ10_rgb) plt.title("Gaussian Blur (σ=10)") plt.axis("off") plt.subplot(2, 2, 4) plt.imshow(gauss_σ20_rgb) plt.title("Gaussian Blur (σ=20)") plt.axis("off") plt.tight_layout() plt.show()
（3）边缘保留平滑（双边滤波）
import cv2 import matplotlib.pyplot as plt # 1. 读取含清晰边缘的图像（如人脸、物体轮廓） img = cv2.imread("face.jpg") if img is None: img = cv2.imread("lena.jpg") # 备用图像 img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 2. 添加噪声 gauss = np.random.normal(0, 25, img.shape).astype(np.float32) img_noisy = img.astype(np.float32) + gauss img_noisy = np.clip(img_noisy, 0, 255).astype(np.uint8) img_noisy_rgb = cv2.cvtColor(img_noisy, cv2.COLOR_BGR2RGB) # 3. 对比：高斯滤波（模糊边缘）vs 双边滤波（保留边缘） gauss_blur = cv2.GaussianBlur(img_noisy, (7, 7), sigmaX=15) bilateral_blur = cv2.bilateralFilter(img_noisy, d=9, sigmaColor=80, sigmaSpace=80) gauss_blur_rgb = cv2.cvtColor(gauss_blur, cv2.COLOR_BGR2RGB) bilateral_blur_rgb = cv2.cvtColor(bilateral_blur, cv2.COLOR_BGR2RGB) # 4. 显示结果 plt.figure(figsize=(15, 8)) plt.subplot(2, 2, 1) plt.imshow(img_rgb) plt.title("Original Image") plt.axis("off") plt.subplot(2, 2, 2) plt.imshow(img_noisy_rgb) plt.title("Image with Noise") plt.axis("off") plt.subplot(2, 2, 3) plt.imshow(gauss_blur_rgb) plt.title("Gaussian Blur (Blur Edges)") plt.axis("off") plt.subplot(2, 2, 4) plt.imshow(bilateral_blur_rgb) plt.title("Bilateral Blur (Preserve Edges)") plt.axis("off") plt.tight_layout() plt.show()
3. 创意场景：平滑实现毛玻璃特效
通过方框滤波或高斯滤波，实现图片毛玻璃模糊效果：
import cv2 import matplotlib.pyplot as plt # 1. 读取图像 img = cv2.imread("scenery.jpg") if img is None: img = cv2.imread("lena.jpg") img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 2. 毛玻璃特效（大核高斯滤波或方框滤波） frosted_glass = cv2.GaussianBlur(img, (15, 15), sigmaX=20) # 15×15核，强模糊 # 或用方框滤波：frosted_glass = cv2.boxFilter(img, -1, (15,15)) frosted_glass_rgb = cv2.cvtColor(frosted_glass, cv2.COLOR_BGR2RGB) # 3. 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(1, 2, 1) plt.imshow(img_rgb) plt.title("Original Image") plt.axis("off") plt.subplot(1, 2, 2) plt.imshow(frosted_glass_rgb) plt.title("Frosted Glass Effect") plt.axis("off") plt.tight_layout() plt.show() # 保存特效图像 cv2.imwrite("frosted_glass.jpg", frosted_glass) print("毛玻璃特效生成完成！")
四、关键说明与实践技巧
1. 算法选择指南（核心）
| 噪声类型 | 首选算法 | 核大小 / 参数建议 |
|---|
| 椒盐噪声 | 中值滤波 | 3×3~7×7（噪声比例越高，核越大） |
| 高斯噪声 | 高斯滤波 | 3×3~5×5，sigmaX=5~20（噪声越强，sigma 越大） |
| 混合噪声 | 双边滤波 / 中值 + 高斯 | 中值滤波去椒盐 + 高斯滤波去高斯 |
| 需保留边缘 | 双边滤波 | d=9~15，sigmaColor=50~100，sigmaSpace=50~100 |
| 实时性要求高 | 方框滤波 | 3×3~5×5（速度最快） |
2. 核大小与参数调整原则
- 核大小（
ksize）：必须为奇数（保证卷积中心对称），越大模糊越强，但细节损失越多； - 高斯滤波
sigma：sigma越大，高斯曲线越平缓，模糊越强；sigma=0时自动按核大小计算（sigma = 0.3×((ksize-1)×0.5 - 1) + 0.8）； - 双边滤波
d：d=-1时自动适配sigmaSpace，d越大计算越慢，但模糊越均匀； - 平衡原则：降噪强度与细节保留成反比，需根据实际需求调整（如人脸降噪可适当强模糊，文字图像需弱模糊保细节）。
3. 典型应用场景
- 图像预处理：目标检测、人脸识别前降噪，提升模型准确率（如 OpenCV 人脸检测前常用高斯滤波）；
- 图像增强：去除老照片噪声、优化低光照图像质量；
- 特效制作：毛玻璃、背景虚化、模糊水印等创意效果；
- 视频处理：实时视频降噪（如监控视频、直播画面），需选择快速算法（方框滤波、小核高斯滤波）。
五、注意事项
- 彩色图处理：OpenCV 平滑函数自动支持彩色图（BGR 三通道分别处理），无需手动拆分通道；
- 数据类型：输入图像需为
uint8类型（0~255），若为浮点型需先归一化到 0~255，避免溢出； - 边缘处理：平滑时图像边缘像素的邻域不完整，
borderType参数控制边缘填充方式（默认BORDER_CONSTANT填充黑色，可改为BORDER_REPLICATE复制边缘像素，避免黑边）； - 性能优化：
- 实时场景：优先用方框滤波或 3×3 小核高斯滤波；
- 大规模图像：可先缩小图像再平滑，最后放大（平衡速度与效果）；
- 双边滤波加速：减小
d值（如d=5），适当增大sigmaColor和sigmaSpace，兼顾速度与效果。
图像平滑是图像处理的基础操作，核心是根据噪声类型和场景需求选择合适的算法。掌握 “中值去椒盐、高斯去高斯、双边保边缘” 的核心原则，再通过调整核大小和参数，就能应对绝大多数降噪和平滑需求。
