OpenCV 滤波算法全面解析与代码实现

一、滤波算法概述

1.1 滤波的基本概念

滤波是图像处理中的基本操作，主要用于：

• • 消除图像噪声
• • 平滑图像
• • 增强图像特征
• • 边缘检测
• • 图像锐化

二、基本线性滤波算法

2.1 均值滤波（Average Filter）

原理：用邻域像素的平均值替换中心像素值

# 应用场景：去除随机噪声，简单平滑处理def mean_filter_example(img_rgb):    # 使用3x3核    kernel_size = (3, 3)    mean_filtered = cv2.blur(img_rgb, kernel_size)    # 使用5x5核    mean_filtered_large = cv2.blur(img_rgb, (5, 5))    # 显示结果    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(mean_filtered)    axes[1].set_title('3x3 Mean Filter')    axes[1].axis('off')    axes[2].imshow(mean_filtered_large)    axes[2].set_title('5x5 Mean Filter')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return mean_filtered

2.2 高斯滤波（Gaussian Filter）

原理：使用高斯函数作为权重核，距离中心越近权重越大

# 应用场景：去除高斯噪声，图像预处理，降采样前的平滑def gaussian_filter_example(img_rgb):    # 不同标准差的高斯滤波    gaussian_small = cv2.GaussianBlur(img_rgb, (3, 3), 0)  # sigma=0，自动计算    gaussian_medium = cv2.GaussianBlur(img_rgb, (5, 5), 1.0)    gaussian_large = cv2.GaussianBlur(img_rgb, (9, 9), 2.0)    # 显示结果    fig, axes = plt.subplots(2, 2, figsize=(12, 10))    axes[0, 0].imshow(img_rgb)    axes[0, 0].set_title('Original Image')    axes[0, 0].axis('off')    axes[0, 1].imshow(gaussian_small)    axes[0, 1].set_title('Gaussian 3x3, σ=auto')    axes[0, 1].axis('off')    axes[1, 0].imshow(gaussian_medium)    axes[1, 0].set_title('Gaussian 5x5, σ=1.0')    axes[1, 0].axis('off')    axes[1, 1].imshow(gaussian_large)    axes[1, 1].set_title('Gaussian 9x9, σ=2.0')    axes[1, 1].axis('off')    plt.tight_layout()    plt.show()    return gaussian_medium

2.3 方框滤波（Box Filter）

# 应用场景：快速平滑，积分图像计算def box_filter_example(img_rgb):    # 归一化的方框滤波（等同于均值滤波）    box_normalized = cv2.boxFilter(img_rgb, -1, (3, 3), normalize=True)    # 非归一化的方框滤波（像素值会累积）    box_non_normalized = cv2.boxFilter(img_rgb, -1, (3, 3), normalize=False)    box_non_normalized = np.clip(box_non_normalized / 255, 0, 1)  # 归一化显示    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(box_normalized)    axes[1].set_title('Normalized Box Filter 3x3')    axes[1].axis('off')    axes[2].imshow(box_non_normalized)    axes[2].set_title('Non-Normalized Box Filter 3x3')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return box_normalized

三、非线性滤波算法

3.1 中值滤波（Median Filter）

原理：用邻域像素的中值替换中心像素

# 应用场景：去除椒盐噪声，保护边缘def median_filter_example(img_rgb):    # 添加椒盐噪声    noisy_img = img_rgb.copy()    noise_prob = 0.05    noise_mask = np.random.random(noisy_img.shape[:2]) < noise_prob    # 添加椒盐噪声    noisy_img[noise_mask] = 0  # 黑点    noisy_img[np.random.random(noisy_img.shape[:2]) < noise_prob/2] = 255  # 白点    # 应用中值滤波    median_3 = cv2.medianBlur(noisy_img.astype(np.uint8), 3)    median_5 = cv2.medianBlur(noisy_img.astype(np.uint8), 5)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(noisy_img)    axes[0].set_title('Image with Salt & Pepper Noise')    axes[0].axis('off')    axes[1].imshow(median_3)    axes[1].set_title('Median Filter 3x3')    axes[1].axis('off')    axes[2].imshow(median_5)    axes[2].set_title('Median Filter 5x5')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return median_3

3.2 双边滤波（Bilateral Filter）

原理：结合空间距离和像素值相似性的权重

# 应用场景：边缘保持平滑，美颜滤镜，去噪同时保留细节def bilateral_filter_example(img_rgb):    # 双边滤波参数：d为邻域直径，sigmaColor为颜色空间标准差，sigmaSpace为坐标空间标准差    bilateral_small = cv2.bilateralFilter(img_rgb, d=9, sigmaColor=75, sigmaSpace=75)    bilateral_large = cv2.bilateralFilter(img_rgb, d=15, sigmaColor=150, sigmaSpace=150)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(bilateral_small)    axes[1].set_title('Bilateral Filter (d=9, σ=75)')    axes[1].axis('off')    axes[2].imshow(bilateral_large)    axes[2].set_title('Bilateral Filter (d=15, σ=150)')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return bilateral_small

四、边缘检测滤波器

4.1 Sobel算子

原理：计算图像梯度，检测水平或垂直边缘

# 应用场景：边缘检测，梯度计算def sobel_filter_example(img_rgb):    # 转换为灰度图    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # Sobel算子    sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)    sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)    # 计算梯度幅值    sobel_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)    sobel_magnitude = np.uint8(255 * sobel_magnitude / np.max(sobel_magnitude))    # 计算梯度方向    sobel_direction = np.arctan2(np.abs(sobel_y), np.abs(sobel_x))    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original Grayscale')    axes[0, 0].axis('off')    axes[0, 1].imshow(np.abs(sobel_x), cmap='gray')    axes[0, 1].set_title('Sobel X')    axes[0, 1].axis('off')    axes[0, 2].imshow(np.abs(sobel_y), cmap='gray')    axes[0, 2].set_title('Sobel Y')    axes[0, 2].axis('off')    axes[1, 0].imshow(sobel_magnitude, cmap='gray')    axes[1, 0].set_title('Gradient Magnitude')    axes[1, 0].axis('off')    axes[1, 1].imshow(sobel_direction, cmap='hsv')    axes[1, 1].set_title('Gradient Direction')    axes[1, 1].axis('off')    # 合并X和Y    sobel_combined = cv2.addWeighted(np.abs(sobel_x), 0.5, np.abs(sobel_y), 0.5, 0)    axes[1, 2].imshow(sobel_combined, cmap='gray')    axes[1, 2].set_title('Combined Sobel')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return sobel_magnitude

4.2 Scharr算子

原理：Sobel的改进，对边缘响应更强

# 应用场景：更精确的边缘检测def scharr_filter_example(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    scharr_x = cv2.Scharr(gray, cv2.CV_64F, 1, 0)    scharr_y = cv2.Scharr(gray, cv2.CV_64F, 0, 1)    scharr_magnitude = np.sqrt(scharr_x**2 + scharr_y**2)    scharr_magnitude = np.uint8(255 * scharr_magnitude / np.max(scharr_magnitude))    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(np.abs(scharr_x), cmap='gray')    axes[1].set_title('Scharr X')    axes[1].axis('off')    axes[2].imshow(np.abs(scharr_y), cmap='gray')    axes[2].set_title('Scharr Y')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return scharr_magnitude

4.3 Laplacian算子

原理：二阶微分算子，检测图像强度的快速变化

# 应用场景：边缘检测，角点检测，图像锐化def laplacian_filter_example(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 应用高斯模糊后使用Laplacian    blurred = cv2.GaussianBlur(gray, (3, 3), 0)    # Laplacian算子    laplacian = cv2.Laplacian(blurred, cv2.CV_64F)    laplacian_abs = np.uint8(np.absolute(laplacian))    # 零交叉检测    laplacian_zero_cross = np.zeros_like(laplacian_abs)    laplacian_zero_cross[laplacian_abs > 30] = 255    fig, axes = plt.subplots(1, 4, figsize=(20, 5))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(laplacian_abs, cmap='gray')    axes[1].set_title('Laplacian')    axes[1].axis('off')    axes[2].imshow(laplacian_zero_cross, cmap='gray')    axes[2].set_title('Zero Crossing (Threshold=30)')    axes[2].axis('off')    # LoG (Laplacian of Gaussian)    log_kernel = np.array([[0, 1, 0],                          [1, -4, 1],                          [0, 1, 0]], dtype=np.float32)    log_filtered = cv2.filter2D(blurred, -1, log_kernel)    axes[3].imshow(np.abs(log_filtered), cmap='gray')    axes[3].set_title('LoG Filtered')    axes[3].axis('off')    plt.tight_layout()    plt.show()    return laplacian_abs

4.4 Canny边缘检测

原理：多阶段边缘检测算法

# 应用场景：精确边缘检测，计算机视觉预处理def canny_edge_detection(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 不同阈值的Canny检测    canny_low = cv2.Canny(gray, 50, 150)    canny_medium = cv2.Canny(gray, 100, 200)    canny_high = cv2.Canny(gray, 150, 250)    # 自适应Canny    median_intensity = np.median(gray)    lower_thresh = int(max(0, 0.7 * median_intensity))    upper_thresh = int(min(255, 1.3 * median_intensity))    canny_adaptive = cv2.Canny(gray, lower_thresh, upper_thresh)    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original Grayscale')    axes[0, 0].axis('off')    axes[0, 1].imshow(canny_low, cmap='gray')    axes[0, 1].set_title('Canny (50, 150)')    axes[0, 1].axis('off')    axes[0, 2].imshow(canny_medium, cmap='gray')    axes[0, 2].set_title('Canny (100, 200)')    axes[0, 2].axis('off')    axes[1, 0].imshow(canny_high, cmap='gray')    axes[1, 0].set_title('Canny (150, 250)')    axes[1, 0].axis('off')    axes[1, 1].imshow(canny_adaptive, cmap='gray')    axes[1, 1].set_title(f'Adaptive Canny ({lower_thresh}, {upper_thresh})')    axes[1, 1].axis('off')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return canny_medium

五、高级滤波算法

5.1 导向滤波（Guided Filter）

# 应用场景：图像去噪，细节增强，HDR压缩def guided_filter_example(img_rgb):    """导向滤波实现"""    # 转换为浮点型    guide = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY).astype(np.float32) / 255.0    src = guide.copy()    # OpenCV中的导向滤波    guided = cv2.ximgproc.guidedFilter(guide=guide, src=src, radius=5, eps=0.01)    # 与双边滤波比较    bilateral = cv2.bilateralFilter((guide * 255).astype(np.uint8), 9, 75, 75)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(guide, cmap='gray')    axes[0].set_title('Original')    axes[0].axis('off')    axes[1].imshow(guided, cmap='gray')    axes[1].set_title('Guided Filter')    axes[1].axis('off')    axes[2].imshow(bilateral, cmap='gray')    axes[2].set_title('Bilateral Filter')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return guided

5.2 非局部均值去噪（Non-Local Means Denoising）

# 应用场景：高质量图像去噪，医学图像处理def non_local_means_denoising(img_rgb):    """非局部均值去噪"""    # 添加高斯噪声    noisy = img_rgb.copy().astype(np.float32) / 255.0    noise = np.random.normal(0, 0.1, noisy.shape)    noisy_with_gaussian = np.clip(noisy + noise, 0, 1)    # 转换为uint8    noisy_uint8 = (noisy_with_gaussian * 255).astype(np.uint8)    # 应用非局部均值去噪    denoised = cv2.fastNlMeansDenoisingColored(noisy_uint8, None,                                                 h=10, hColor=10,                                                templateWindowSize=7,                                                searchWindowSize=21)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original')    axes[0].axis('off')    axes[1].imshow(noisy_uint8)    axes[1].set_title('With Gaussian Noise')    axes[1].axis('off')    axes[2].imshow(denoised)    axes[2].set_title('Non-Local Means Denoised')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return denoised

5.3 形态学滤波

# 应用场景：二值图像处理，形状分析，噪声去除def morphological_filters(img_rgb):    """形态学滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 创建二值图像用于演示    _, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)    # 结构元素    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))    # 腐蚀    erosion = cv2.erode(binary, kernel, iterations=1)    # 膨胀    dilation = cv2.dilate(binary, kernel, iterations=1)    # 开运算（先腐蚀后膨胀）    opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)    # 闭运算（先膨胀后腐蚀）    closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)    # 形态学梯度    gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(binary, cmap='gray')    axes[0, 0].set_title('Binary Image')    axes[0, 0].axis('off')    axes[0, 1].imshow(erosion, cmap='gray')    axes[0, 1].set_title('Erosion')    axes[0, 1].axis('off')    axes[0, 2].imshow(dilation, cmap='gray')    axes[0, 2].set_title('Dilation')    axes[0, 2].axis('off')    axes[1, 0].imshow(opening, cmap='gray')    axes[1, 0].set_title('Opening')    axes[1, 0].axis('off')    axes[1, 1].imshow(closing, cmap='gray')    axes[1, 1].set_title('Closing')    axes[1, 1].axis('off')    axes[1, 2].imshow(gradient, cmap='gray')    axes[1, 2].set_title('Morphological Gradient')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return opening, closing

5.4 各向异性扩散滤波（Anisotropic Diffusion）

# 应用场景：医学图像处理，边缘保持平滑，纹理分析def anisotropic_diffusion(img_rgb):    """各向异性扩散滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY).astype(np.float32)    # 简单的Perona-Malik各向异性扩散实现    def perona_malik_diffusion(img, iterations=10, kappa=50, gamma=0.1):        img_diffused = img.copy()        for _ in range(iterations):            # 计算梯度            grad_north = np.roll(img_diffused, -1, axis=0) - img_diffused            grad_south = np.roll(img_diffused, 1, axis=0) - img_diffused            grad_east = np.roll(img_diffused, -1, axis=1) - img_diffused            grad_west = np.roll(img_diffused, 1, axis=1) - img_diffused            # 扩散系数            c_north = 1.0 / (1.0 + (grad_north / kappa)**2)            c_south = 1.0 / (1.0 + (grad_south / kappa)**2)            c_east = 1.0 / (1.0 + (grad_east / kappa)**2)            c_west = 1.0 / (1.0 + (grad_west / kappa)**2)            # 更新图像            img_diffused += gamma * (c_north * grad_north +                                     c_south * grad_south +                                     c_east * grad_east +                                     c_west * grad_west)        return img_diffused    # 应用各向异性扩散    diffused = perona_malik_diffusion(gray, iterations=20, kappa=30, gamma=0.1)    fig, axes = plt.subplots(1, 2, figsize=(12, 6))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(diffused, cmap='gray')    axes[1].set_title('Anisotropic Diffusion')    axes[1].axis('off')    plt.tight_layout()    plt.show()    return diffused

六、频率域滤波

6.1 傅里叶变换与频域滤波

# 应用场景：频域分析，周期性噪声去除，图像增强def frequency_domain_filtering(img_rgb):    """频域滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 傅里叶变换    dft = cv2.dft(np.float32(gray), flags=cv2.DFT_COMPLEX_OUTPUT)    dft_shift = np.fft.fftshift(dft)    # 创建滤波器    rows, cols = gray.shape    crow, ccol = rows // 2, cols // 2    # 低通滤波器    mask_low = np.zeros((rows, cols, 2), np.uint8)    r = 30    mask_low[crow-r:crow+r, ccol-r:ccol+r] = 1    # 高通滤波器    mask_high = np.ones((rows, cols, 2), np.uint8)    r = 30    mask_high[crow-r:crow+r, ccol-r:ccol+r] = 0    # 带阻滤波器    mask_band = np.ones((rows, cols, 2), np.uint8)    r_outer = 60    r_inner = 20    cv2.circle(mask_band, (ccol, crow), r_outer, 0, -1)    cv2.circle(mask_band, (ccol, crow), r_inner, 1, -1)    # 应用滤波    fshift_low = dft_shift * mask_low    fshift_high = dft_shift * mask_high    fshift_band = dft_shift * mask_band    # 逆变换    def inverse_transform(fshift):        f_ishift = np.fft.ifftshift(fshift)        img_back = cv2.idft(f_ishift)        img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])        return cv2.normalize(img_back, None, 0, 255, cv2.NORM_MINMAX)    result_low = inverse_transform(fshift_low)    result_high = inverse_transform(fshift_high)    result_band = inverse_transform(fshift_band)    fig, axes = plt.subplots(2, 4, figsize=(16, 8))    # 显示原图和频谱    magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]) + 1)    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original')    axes[0, 0].axis('off')    axes[0, 1].imshow(magnitude_spectrum, cmap='gray')    axes[0, 1].set_title('Magnitude Spectrum')    axes[0, 1].axis('off')    axes[0, 2].imshow(mask_low[:,:,0], cmap='gray')    axes[0, 2].set_title('Low Pass Filter')    axes[0, 2].axis('off')    axes[0, 3].imshow(result_low, cmap='gray')    axes[0, 3].set_title('Low Pass Result')    axes[0, 3].axis('off')    axes[1, 0].imshow(mask_high[:,:,0], cmap='gray')    axes[1, 0].set_title('High Pass Filter')    axes[1, 0].axis('off')    axes[1, 1].imshow(result_high, cmap='gray')    axes[1, 1].set_title('High Pass Result')    axes[1, 1].axis('off')    axes[1, 2].imshow(mask_band[:,:,0], cmap='gray')    axes[1, 2].set_title('Band Stop Filter')    axes[1, 2].axis('off')    axes[1, 3].imshow(result_band, cmap='gray')    axes[1, 3].set_title('Band Stop Result')    axes[1, 3].axis('off')    plt.tight_layout()    plt.show()    return result_low, result_high

七、完整代码实现滤波

环境要求（代码亲测有效，放心使用）：opencv-python、opencv-contrib-python、 numpy 、matplotlib

pip install opencv-python  opencv-contrib-python numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple/

import cv2import numpy as npimport matplotlib.pyplot as plt# 应用场景：去除随机噪声，简单平滑处理# 均值滤波def mean_filter_example(img_rgb):    # 使用3x3核    kernel_size = (3, 3)    mean_filtered = cv2.blur(img_rgb, kernel_size)    # 使用5x5核    mean_filtered_large = cv2.blur(img_rgb, (5, 5))    # 显示结果    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(mean_filtered)    axes[1].set_title('3x3 Mean Filter')    axes[1].axis('off')    axes[2].imshow(mean_filtered_large)    axes[2].set_title('5x5 Mean Filter')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return mean_filtered# 应用场景：去除高斯噪声，图像预处理，降采样前的平滑def gaussian_filter_example(img_rgb):    # 不同标准差的高斯滤波    gaussian_small = cv2.GaussianBlur(img_rgb, (3, 3), 0)  # sigma=0，自动计算    gaussian_medium = cv2.GaussianBlur(img_rgb, (5, 5), 1.0)    gaussian_large = cv2.GaussianBlur(img_rgb, (9, 9), 2.0)    # 显示结果    fig, axes = plt.subplots(2, 2, figsize=(12, 10))    axes[0, 0].imshow(img_rgb)    axes[0, 0].set_title('Original Image')    axes[0, 0].axis('off')    axes[0, 1].imshow(gaussian_small)    axes[0, 1].set_title('Gaussian 3x3, σ=auto')    axes[0, 1].axis('off')    axes[1, 0].imshow(gaussian_medium)    axes[1, 0].set_title('Gaussian 5x5, σ=1.0')    axes[1, 0].axis('off')    axes[1, 1].imshow(gaussian_large)    axes[1, 1].set_title('Gaussian 9x9, σ=2.0')    axes[1, 1].axis('off')    plt.tight_layout()    plt.show()    return gaussian_medium# 应用场景：快速平滑，积分图像计算def box_filter_example(img_rgb):    # 归一化的方框滤波（等同于均值滤波）    box_normalized = cv2.boxFilter(img_rgb, -1, (3, 3), normalize=True)    # 非归一化的方框滤波（像素值会累积）    box_non_normalized = cv2.boxFilter(img_rgb, -1, (3, 3), normalize=False)    box_non_normalized = np.clip(box_non_normalized / 255, 0, 1)  # 归一化显示    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(box_normalized)    axes[1].set_title('Normalized Box Filter 3x3')    axes[1].axis('off')    axes[2].imshow(box_non_normalized)    axes[2].set_title('Non-Normalized Box Filter 3x3')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return box_normalized# 应用场景：去除椒盐噪声，保护边缘def median_filter_example(img_rgb):    # 添加椒盐噪声    noisy_img = img_rgb.copy()    noise_prob = 0.05    noise_mask = np.random.random(noisy_img.shape[:2]) < noise_prob    # 添加椒盐噪声    noisy_img[noise_mask] = 0  # 黑点    noisy_img[np.random.random(noisy_img.shape[:2]) < noise_prob/2] = 255  # 白点    # 应用中值滤波    median_3 = cv2.medianBlur(noisy_img.astype(np.uint8), 3)    median_5 = cv2.medianBlur(noisy_img.astype(np.uint8), 5)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(noisy_img)    axes[0].set_title('Image with Salt & Pepper Noise')    axes[0].axis('off')    axes[1].imshow(median_3)    axes[1].set_title('Median Filter 3x3')    axes[1].axis('off')    axes[2].imshow(median_5)    axes[2].set_title('Median Filter 5x5')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return median_3# 应用场景：边缘保持平滑，美颜滤镜，去噪同时保留细节def bilateral_filter_example(img_rgb):    # 双边滤波参数：d为邻域直径，sigmaColor为颜色空间标准差，sigmaSpace为坐标空间标准差    bilateral_small = cv2.bilateralFilter(img_rgb, d=9, sigmaColor=75, sigmaSpace=75)    bilateral_large = cv2.bilateralFilter(img_rgb, d=15, sigmaColor=150, sigmaSpace=150)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original Image')    axes[0].axis('off')    axes[1].imshow(bilateral_small)    axes[1].set_title('Bilateral Filter (d=9, σ=75)')    axes[1].axis('off')    axes[2].imshow(bilateral_large)    axes[2].set_title('Bilateral Filter (d=15, σ=150)')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return bilateral_small# 应用场景：边缘检测，梯度计算def sobel_filter_example(img_rgb):    # 转换为灰度图    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # Sobel算子    sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)    sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)    # 计算梯度幅值    sobel_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)    sobel_magnitude = np.uint8(255 * sobel_magnitude / np.max(sobel_magnitude))    # 计算梯度方向    sobel_direction = np.arctan2(np.abs(sobel_y), np.abs(sobel_x))    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original Grayscale')    axes[0, 0].axis('off')    axes[0, 1].imshow(np.abs(sobel_x), cmap='gray')    axes[0, 1].set_title('Sobel X')    axes[0, 1].axis('off')    axes[0, 2].imshow(np.abs(sobel_y), cmap='gray')    axes[0, 2].set_title('Sobel Y')    axes[0, 2].axis('off')    axes[1, 0].imshow(sobel_magnitude, cmap='gray')    axes[1, 0].set_title('Gradient Magnitude')    axes[1, 0].axis('off')    axes[1, 1].imshow(sobel_direction, cmap='hsv')    axes[1, 1].set_title('Gradient Direction')    axes[1, 1].axis('off')    # 合并X和Y    sobel_combined = cv2.addWeighted(np.abs(sobel_x), 0.5, np.abs(sobel_y), 0.5, 0)    axes[1, 2].imshow(sobel_combined, cmap='gray')    axes[1, 2].set_title('Combined Sobel')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return sobel_magnitude# 应用场景：更精确的边缘检测def scharr_filter_example(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    scharr_x = cv2.Scharr(gray, cv2.CV_64F, 1, 0)    scharr_y = cv2.Scharr(gray, cv2.CV_64F, 0, 1)    scharr_magnitude = np.sqrt(scharr_x**2 + scharr_y**2)    scharr_magnitude = np.uint8(255 * scharr_magnitude / np.max(scharr_magnitude))    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(np.abs(scharr_x), cmap='gray')    axes[1].set_title('Scharr X')    axes[1].axis('off')    axes[2].imshow(np.abs(scharr_y), cmap='gray')    axes[2].set_title('Scharr Y')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return scharr_magnitude# 应用场景：边缘检测，角点检测，图像锐化def laplacian_filter_example(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 应用高斯模糊后使用Laplacian    blurred = cv2.GaussianBlur(gray, (3, 3), 0)    # Laplacian算子    laplacian = cv2.Laplacian(blurred, cv2.CV_64F)    laplacian_abs = np.uint8(np.absolute(laplacian))    # 零交叉检测    laplacian_zero_cross = np.zeros_like(laplacian_abs)    laplacian_zero_cross[laplacian_abs > 30] = 255    fig, axes = plt.subplots(1, 4, figsize=(20, 5))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(laplacian_abs, cmap='gray')    axes[1].set_title('Laplacian')    axes[1].axis('off')    axes[2].imshow(laplacian_zero_cross, cmap='gray')    axes[2].set_title('Zero Crossing (Threshold=30)')    axes[2].axis('off')    # LoG (Laplacian of Gaussian)    log_kernel = np.array([[0, 1, 0],                          [1, -4, 1],                          [0, 1, 0]], dtype=np.float32)    log_filtered = cv2.filter2D(blurred, -1, log_kernel)    axes[3].imshow(np.abs(log_filtered), cmap='gray')    axes[3].set_title('LoG Filtered')    axes[3].axis('off')    plt.tight_layout()    plt.show()    return laplacian_abs# 应用场景：精确边缘检测，计算机视觉预处理def canny_edge_detection(img_rgb):    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 不同阈值的Canny检测    canny_low = cv2.Canny(gray, 50, 150)    canny_medium = cv2.Canny(gray, 100, 200)    canny_high = cv2.Canny(gray, 150, 250)    # 自适应Canny    median_intensity = np.median(gray)    lower_thresh = int(max(0, 0.7 * median_intensity))    upper_thresh = int(min(255, 1.3 * median_intensity))    canny_adaptive = cv2.Canny(gray, lower_thresh, upper_thresh)    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original Grayscale')    axes[0, 0].axis('off')    axes[0, 1].imshow(canny_low, cmap='gray')    axes[0, 1].set_title('Canny (50, 150)')    axes[0, 1].axis('off')    axes[0, 2].imshow(canny_medium, cmap='gray')    axes[0, 2].set_title('Canny (100, 200)')    axes[0, 2].axis('off')    axes[1, 0].imshow(canny_high, cmap='gray')    axes[1, 0].set_title('Canny (150, 250)')    axes[1, 0].axis('off')    axes[1, 1].imshow(canny_adaptive, cmap='gray')    axes[1, 1].set_title(f'Adaptive Canny ({lower_thresh}, {upper_thresh})')    axes[1, 1].axis('off')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return canny_medium# 应用场景：图像去噪，细节增强，HDR压缩def guided_filter_example(img_rgb):    """导向滤波实现"""    # 转换为浮点型    guide = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY).astype(np.float32) / 255.0    src = guide.copy()    # OpenCV中的导向滤波    guided = cv2.ximgproc.guidedFilter(guide=guide, src=src, radius=5, eps=0.01)    # 与双边滤波比较    bilateral = cv2.bilateralFilter((guide * 255).astype(np.uint8), 9, 75, 75)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(guide, cmap='gray')    axes[0].set_title('Original')    axes[0].axis('off')    axes[1].imshow(guided, cmap='gray')    axes[1].set_title('Guided Filter')    axes[1].axis('off')    axes[2].imshow(bilateral, cmap='gray')    axes[2].set_title('Bilateral Filter')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return guided# 应用场景：高质量图像去噪，医学图像处理def non_local_means_denoising(img_rgb):    """非局部均值去噪"""    # 添加高斯噪声    noisy = img_rgb.copy().astype(np.float32) / 255.0    noise = np.random.normal(0, 0.1, noisy.shape)    noisy_with_gaussian = np.clip(noisy + noise, 0, 1)    # 转换为uint8    noisy_uint8 = (noisy_with_gaussian * 255).astype(np.uint8)    # 应用非局部均值去噪    denoised = cv2.fastNlMeansDenoisingColored(noisy_uint8, None,                                                 h=10, hColor=10,                                                templateWindowSize=7,                                                searchWindowSize=21)    fig, axes = plt.subplots(1, 3, figsize=(15, 5))    axes[0].imshow(img_rgb)    axes[0].set_title('Original')    axes[0].axis('off')    axes[1].imshow(noisy_uint8)    axes[1].set_title('With Gaussian Noise')    axes[1].axis('off')    axes[2].imshow(denoised)    axes[2].set_title('Non-Local Means Denoised')    axes[2].axis('off')    plt.tight_layout()    plt.show()    return denoised# 应用场景：二值图像处理，形状分析，噪声去除def morphological_filters(img_rgb):    """形态学滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 创建二值图像用于演示    _, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)    # 结构元素    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))    # 腐蚀    erosion = cv2.erode(binary, kernel, iterations=1)    # 膨胀    dilation = cv2.dilate(binary, kernel, iterations=1)    # 开运算（先腐蚀后膨胀）    opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)    # 闭运算（先膨胀后腐蚀）    closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)    # 形态学梯度    gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)    fig, axes = plt.subplots(2, 3, figsize=(15, 10))    axes[0, 0].imshow(binary, cmap='gray')    axes[0, 0].set_title('Binary Image')    axes[0, 0].axis('off')    axes[0, 1].imshow(erosion, cmap='gray')    axes[0, 1].set_title('Erosion')    axes[0, 1].axis('off')    axes[0, 2].imshow(dilation, cmap='gray')    axes[0, 2].set_title('Dilation')    axes[0, 2].axis('off')    axes[1, 0].imshow(opening, cmap='gray')    axes[1, 0].set_title('Opening')    axes[1, 0].axis('off')    axes[1, 1].imshow(closing, cmap='gray')    axes[1, 1].set_title('Closing')    axes[1, 1].axis('off')    axes[1, 2].imshow(gradient, cmap='gray')    axes[1, 2].set_title('Morphological Gradient')    axes[1, 2].axis('off')    plt.tight_layout()    plt.show()    return opening, closing# 应用场景：医学图像处理，边缘保持平滑，纹理分析def anisotropic_diffusion(img_rgb):    """各向异性扩散滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY).astype(np.float32)    # 简单的Perona-Malik各向异性扩散实现    def perona_malik_diffusion(img, iterations=10, kappa=50, gamma=0.1):        img_diffused = img.copy()        for _ in range(iterations):            # 计算梯度            grad_north = np.roll(img_diffused, -1, axis=0) - img_diffused            grad_south = np.roll(img_diffused, 1, axis=0) - img_diffused            grad_east = np.roll(img_diffused, -1, axis=1) - img_diffused            grad_west = np.roll(img_diffused, 1, axis=1) - img_diffused            # 扩散系数            c_north = 1.0 / (1.0 + (grad_north / kappa)**2)            c_south = 1.0 / (1.0 + (grad_south / kappa)**2)            c_east = 1.0 / (1.0 + (grad_east / kappa)**2)            c_west = 1.0 / (1.0 + (grad_west / kappa)**2)            # 更新图像            img_diffused += gamma * (c_north * grad_north +                                     c_south * grad_south +                                     c_east * grad_east +                                     c_west * grad_west)        return img_diffused    # 应用各向异性扩散    diffused = perona_malik_diffusion(gray, iterations=20, kappa=30, gamma=0.1)    fig, axes = plt.subplots(1, 2, figsize=(12, 6))    axes[0].imshow(gray, cmap='gray')    axes[0].set_title('Original Grayscale')    axes[0].axis('off')    axes[1].imshow(diffused, cmap='gray')    axes[1].set_title('Anisotropic Diffusion')    axes[1].axis('off')    plt.tight_layout()    plt.show()    return diffused# 应用场景：频域分析，周期性噪声去除，图像增强def frequency_domain_filtering(img_rgb):    """频域滤波"""    gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)    # 傅里叶变换    dft = cv2.dft(np.float32(gray), flags=cv2.DFT_COMPLEX_OUTPUT)    dft_shift = np.fft.fftshift(dft)    # 创建滤波器    rows, cols = gray.shape    crow, ccol = rows // 2, cols // 2    # 低通滤波器    mask_low = np.zeros((rows, cols, 2), np.uint8)    r = 30    mask_low[crow-r:crow+r, ccol-r:ccol+r] = 1    # 高通滤波器    mask_high = np.ones((rows, cols, 2), np.uint8)    r = 30    mask_high[crow-r:crow+r, ccol-r:ccol+r] = 0    # 带阻滤波器    mask_band = np.ones((rows, cols, 2), np.uint8)    r_outer = 60    r_inner = 20    cv2.circle(mask_band, (ccol, crow), r_outer, 0, -1)    cv2.circle(mask_band, (ccol, crow), r_inner, 1, -1)    # 应用滤波    fshift_low = dft_shift * mask_low    fshift_high = dft_shift * mask_high    fshift_band = dft_shift * mask_band    # 逆变换    def inverse_transform(fshift):        f_ishift = np.fft.ifftshift(fshift)        img_back = cv2.idft(f_ishift)        img_back = cv2.magnitude(img_back[:,:,0], img_back[:,:,1])        return cv2.normalize(img_back, None, 0, 255, cv2.NORM_MINMAX)    result_low = inverse_transform(fshift_low)    result_high = inverse_transform(fshift_high)    result_band = inverse_transform(fshift_band)    fig, axes = plt.subplots(2, 4, figsize=(16, 8))    # 显示原图和频谱    magnitude_spectrum = 20 * np.log(cv2.magnitude(dft_shift[:,:,0], dft_shift[:,:,1]) + 1)    axes[0, 0].imshow(gray, cmap='gray')    axes[0, 0].set_title('Original')    axes[0, 0].axis('off')    axes[0, 1].imshow(magnitude_spectrum, cmap='gray')    axes[0, 1].set_title('Magnitude Spectrum')    axes[0, 1].axis('off')    axes[0, 2].imshow(mask_low[:,:,0], cmap='gray')    axes[0, 2].set_title('Low Pass Filter')    axes[0, 2].axis('off')    axes[0, 3].imshow(result_low, cmap='gray')    axes[0, 3].set_title('Low Pass Result')    axes[0, 3].axis('off')    axes[1, 0].imshow(mask_high[:,:,0], cmap='gray')    axes[1, 0].set_title('High Pass Filter')    axes[1, 0].axis('off')    axes[1, 1].imshow(result_high, cmap='gray')    axes[1, 1].set_title('High Pass Result')    axes[1, 1].axis('off')    axes[1, 2].imshow(mask_band[:,:,0], cmap='gray')    axes[1, 2].set_title('Band Stop Filter')    axes[1, 2].axis('off')    axes[1, 3].imshow(result_band, cmap='gray')    axes[1, 3].set_title('Band Stop Result')    axes[1, 3].axis('off')    plt.tight_layout()    plt.show()    return result_low, result_highdef run_all_filters(img_rgb):    """运行所有滤波示例"""    print("开始执行所有滤波算法示例...")    # 基本线性滤波    print("\n1. 均值滤波示例...")    mean_result = mean_filter_example(img_rgb)    print("\n2. 高斯滤波示例...")    gaussian_result = gaussian_filter_example(img_rgb)    print("\n3. 方框滤波示例...")    box_result = box_filter_example(img_rgb)     # 非线性滤波    print("\n4. 中值滤波示例...")    median_result = median_filter_example(img_rgb)    print("\n5. 双边滤波示例...")    bilateral_result = bilateral_filter_example(img_rgb)     # 边缘检测    print("\n6. Sobel算子示例...")    sobel_result = sobel_filter_example(img_rgb)    print("\n7. Laplacian算子示例...")    laplacian_result = laplacian_filter_example(img_rgb)    print("\n8. Canny边缘检测示例...")    canny_result = canny_edge_detection(img_rgb)     # 高级滤波    print("\n10. 导向滤波示例...")    guided_result = guided_filter_example(img_rgb)    print("\n11. 非局部均值去噪示例...")    nlm_result = non_local_means_denoising(img_rgb)    print("\n12. 形态学滤波示例...")    morph_result = morphological_filters(img_rgb)    print("\n13. 频域滤波示例...")    freq_result = frequency_domain_filtering(img_rgb)    return Trueif __name__ == "__main__":    img_rgb = cv2.imread('data/datasets/JPEGImages/00F75605333_0730135838385.jpg')    img_rgb = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2RGB)    # 运行所有示例    run_all_filters(img_rgb)

八、滤波算法选择指南

8.1 根据应用场景选择滤波算法

8.2 参数调优建议

1. 1. 核大小选择：
• • 小核(3×3)：保留细节，去噪能力弱
• • 中核(5×5-7×7)：平衡细节保留和去噪
• • 大核(>7×7)：强去噪，可能过度模糊
2. 2. 标准差设置（高斯滤波）：
• • σ ≈ 核大小/6 效果较好
• • 小σ：强调中心像素
• • 大σ：更均匀的平滑
3. 3. 迭代次数：
• • 中值滤波：通常1-2次
• • 形态学操作：根据需求调整
• • 各向异性扩散：10-50次

总结

OpenCV提供了丰富的滤波算法，从基本的线性滤波到高级的非线性滤波，每种算法都有其特定的应用场景。选择合适的滤波算法需要考虑：

1. 1. 噪声类型：高斯噪声、椒盐噪声、周期性噪声等
2. 2. 处理目标：去噪、边缘检测、特征增强等
3. 3. 性能要求：实时性、计算资源限制等
4. 4. 图像特性：纹理、边缘密度、对比度等