图像去模糊中的均值滤波、高斯滤波、双边滤波简单介绍及代码演示

最新推荐文章于 2025-08-31 09:57:19 发布

原创

最新推荐文章于 2025-08-31 09:57:19 发布 · 4.5k 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#均值算法 #opencv #计算机视觉

本文介绍了图像去模糊的三种技术：均值滤波、高斯滤波和双边滤波。均值滤波通过像素平均值减少噪声，但可能导致细节丢失；高斯滤波使用加权平均，更适合平滑图像；双边滤波则结合像素距离和灰度差异，既能平滑又能保留边缘。在OpenCV中，可以使用cv2.blur、cv2.GaussianBlur和cv2.bilateralFilter函数实现这些滤波操作。

文章目录

图像去模糊中的均值滤波、高斯滤波和双边滤波简单介绍

图像去模糊中的均值滤波、高斯滤波和双边滤波简单介绍

图像模糊是指图像中的细节和边缘被平滑和模糊化，通常是由于图像采集设备或者图像传输过程中的噪声和抖动引起的。为了恢复图像的细节和边缘，可以使用图像去模糊技术对模糊图像进行处理。本文将介绍一些常见的图像去模糊技术和它们的实现方法。

均值滤波

均值滤波是一种常见的线性滤波器，它通过用图像局部区域的像素平均值替换中心像素来减小噪声和细节。在均值滤波中，每个像素的值被替换为它周围像素的平均值。均值滤波器的大小通常是一个正方形或矩形，大小从 3x3 到 15x15 不等。均值滤波器的大小越大，图像的平滑程度越高，但是细节和边缘也会被更多地模糊化。

在 OpenCV 中，可以使用 cv2.blur 函数或者 cv2.boxFilter 函数来实现均值滤波。例如，以下代码演示了如何使用 cv2.blur 函数对图像进行均值滤波：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读入图像
img = cv2.imread('img.png')

# 对图像进行均值模糊处理
blur = cv2.blur(img, (5, 5))

# 在 Matplotlib 中创建子图，分别显示原始图像和模糊图像
plt.subplot(1, 2, 1)
plt.imshow(img, cmap='gray')
plt.title('sharp image')
plt.subplot(1, 2, 2)
plt.imshow(blur, cmap='gray'