Python OpenCV 图像模糊处理：均值、高斯与双边滤波详解

小石头

发布时间：2026-10-15| 2人浏览过

原创

本文详细介绍 Python OpenCV 中的三种图像模糊（滤波）技术：均值滤波、高斯滤波及高斯双边滤波。通过解析 cv2.blur、cv2.GaussianBlur 和 cv2.bilateralFilter 函数的参数与原理，对比它们在去除椒盐噪声、高斯噪声及保边去噪方面的特性与适用场景，帮助开发者根据实际需求选择合适的滤波算法。

在深度学习中常用的卷积操作，在 OpenCV 中也有对应的实现方式，具体表现为图像的模糊（或称滤波）处理。

均值滤波

OpenCV 中通过 cv2.blur(src, ksize) 函数实现均值滤波。该函数的主要参数如下：

src 代表输入的原图像，ksize 定义模糊核的大小。

其工作原理是计算内核区域内所有像素的平均值，并用该平均值替换中心像素的值。以 3x3 标准化盒式过滤器为例，其结构如下：

该方法的特征是核内各区域对结果的贡献率相同。主要作用是对椒盐噪声具有较好的滤除效果。

# -*-coding:utf-8-*-
"""
File Name: image_deeplearning.py
Program IDE: PyCharm
Date: 2021/10/17
Create File By Author: Hong
"""
import cv2 as cv


def image_blur(image_path: str):
    """
    图像卷积操作：设置卷积核大小，步距
    :param image_path:
    :return:
    """
    img = cv.imread(image_path, cv.IMREAD_COLOR)
    cv.imshow('input', img)
    # 模糊操作（类似卷积），第二个参数ksize是设置模糊内核大小
    result = cv.blur(img, (5, 5))
    cv.imshow('result', result)

    cv.waitKey(0)
    cv.destroyAllWindows()


if __name__ == '__main__':
    path = 'images/2.png'
    image_blur(path)

处理结果展示：

高斯滤波

高斯滤波通过调用 cv2.GuassianBlur(img, ksize,sigmaX,sigmaY) 函数来实现。

参数说明：sigmaX 和 sigmaY 分别表示 X 轴和 Y 方向的标准偏差。若仅指定了 sigmaX，则 sigmaY 将默认与 sigmaX 保持一致；若两者均设为零，系统将根据内核大小自动计算标准偏差。

该方法的特征是核内区域的贡献率与距离中心的远近成正比，权重遵循高斯分布规律。

其主要作用是高效地从图像中去除高斯噪声。

def image_conv(image_path: str):
    """
    高斯模糊
    :param image_path:
    :return:
    """
    img = cv.imread(image_path, cv.IMREAD_COLOR)
    cv.imshow('img', img)
    # 高斯卷积（高斯滤波）， 可以设置ksize，必须为奇数，不为0时，后面的步骤不起作用；也可以设置成（0，0），然后通过sigmaX和sigmaY计算标准偏差
    result = cv.GaussianBlur(img, (0, 0), 15)
    cv.imshow('result', result)

    cv.waitKey(0)
    cv.destroyAllWindows()


if __name__ == '__main__':
    path = 'images/2.png'
    image_conv(path)

处理结果展示：

高斯双边滤波

双边滤波（模糊）功能由 cv2.bilateralFilter(img,d, sigmaColor, sigmaSpace) 函数提供。

参数说明：d 指定邻域直径，sigmaColor 为空间高斯函数的标准差；参数值越大，影响范围越广，远处像素的影响越小。

sigmaSpace 为灰度值相似性高斯函数的标准差；参数值越大，颜色相近的像素对结果的影响越大。

双边滤波是一种非线性滤波方法，它综合了图像的空间邻近度与像素值相似度进行折衷处理，同时考虑空间信息与灰度相似性，从而实现保边去噪。该方法具有简单、非迭代和局部处理的特点。其保边去噪的能力源于滤波器由两部分构成：一部分由几何空间距离决定滤波器系数，另一部分由像素差值决定滤波器系数。

该方法的特征是处理耗时较长。主要作用是在滤波的同时保留一定的边缘信息。

# 边缘保留滤波器——高斯双边模糊
def image_bifilter(image_path: str):
    """
    高斯双边模糊
    :param image_path: 图片文件
    :return: 无返回值
    """
    img = cv.imread(image_path, cv.IMREAD_COLOR)
    cv.imshow('input', img)
    # 第三个参数是设置色彩、第四个参数是设置图像坐标
    result = cv.bilateralFilter(img, 0, 50, 10)
    cv.imshow('result', result)

    cv.waitKey(0)
    cv.destroyAllWindows()


if __name__ == '__main__':
    path = 'images/2.png'
    image_bifilter(path)

处理结果展示：