Python OpenCV 图像滤波（均值、高斯、中值、双边）详解与实战

在图像处理和机器视觉项目中，图像滤波（Image Filtering）是最常见的预处理步骤之一。相机采集的图像通常会受到光照、传感器噪声或环境干扰的影响，因此在进行阈值分割、边缘检测、模板匹配等操作之前，通常都会先进行滤波处理，以提高后续算法的稳定性。本文将介绍 OpenCV 中最常用的四种滤波方式：均值滤波、高斯滤波、中值滤波和双边滤波，并给出完整的 Python 示例代码。一、为什么要进行图像滤波？图像中的噪声主要来源于：相机传感器噪声光照变化图像压缩环境干扰高 ISO 拍摄噪声会导致：阈值分割出现大量噪点边缘检测误检OCR 识别率下降模板匹配精度降低因此，在工业视觉项目中，滤波几乎是所有算法流程的第一步。二、OpenCV 常见滤波方式OpenCV 提供了多种滤波算法，其中最常用的是：滤波方式OpenCV函数特点均值滤波cv2.blur()简单、速度快高斯滤波cv2.GaussianBlur()最常用，平滑自然中值滤波cv2.medianBlur()去椒盐噪声效果最好双边滤波cv2.bilateralFilter()去噪同时保留边缘三、均值滤波（Mean Blur）均值滤波又称平均滤波。它会计算邻域像素的平均值，用平均值替代中心像素。例如：1 2 3 4 5 6 7 8 9中心像素变为：(1+2+...+9)/9 = 5因此图像会变得更加平滑。函数：dst=cv2.blur(src,(5,5))参数说明：src：输入图像(5,5)：卷积核大小示例代码：importcv2 img=cv2.imread("test.png")blur=cv2.blur(img,(5,5))cv2.imshow("Original",img)cv2.imshow("Mean Blur"