均值滤波、高斯滤波、中值滤波对比

三者都是空间域滤波（用邻域像素计算中心像素的新值），但原理和效果差异很大。

---

1. 均值滤波（Mean Filter）

原理：取邻域内所有像素的算术平均作为中心像素的新值。

$$g(x,y) = \frac{1}{m \times n} \sum_{(i,j) \in S} f(i,j)$$

特点

• 线性滤波，实现最简单、速度最快
• 对高斯噪声有一定平滑作用
• 缺点：对**离群点（脉冲噪声）**敏感——一个极端值会拉偏整个邻域的平均值
• 边缘被严重模糊（边缘两侧像素被平均混合）

适用场景：对噪声不敏感、追求速度的简单平滑；图像预处理中的粗略降噪。

---

2. 高斯滤波（Gaussian Filter）

原理：邻域内像素加权平均，权重服从二维高斯分布，中心权重最大、越远越小。

$$G(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$$

特点

• 线性滤波，是均值滤波的"加权改进版"
• 权重平滑过渡，不会像均值滤波那样产生生硬的块状效应
• 对高斯噪声效果最好（高斯噪声在统计上最匹配高斯核）
• 相比均值滤波，边缘保留更好（中心像素权重高，受远处像素影响小），但仍会模糊边缘
• 计算量略大于均值滤波

适用场景：高斯噪声去除；边缘检测前的预处理（如 Canny 的第一步）；尺度空间构建（高斯金字塔）；图像模糊/美颜。

---

3. 中值滤波（Median Filter）

原理：取邻域内所有像素的中位数作为中心像素的新值（非线性滤波）。

特点

• 非线性滤波，不涉及加权求和
• 对椒盐噪声（脉冲噪声）效果极佳——极端值（0 或 255）不会影响中位数
• 能很好地保留边缘：边缘两侧像素值差异大时，中位数会落在其中一侧，不会像线性滤波那样把两侧"混合"成过渡带
• 缺点：对高斯噪声效果一般；计算量较大（需要排序）；邻域过大时可能产生"阶梯效应"

适用场景：椒盐噪声去除（如老照片扫描、传感器故障图像）；需要保边降噪的场景；医学图像、文档图像预处理。

---

对比总结

维度	均值滤波	高斯滤波	中值滤波
类型	线性	线性	非线性
权重	等权平均	高斯加权	取中位数
高斯噪声	一般	最好	一般
椒盐噪声	差（被拉偏）	差	最好
边缘保留	差	中	好
计算复杂度	最低	中	较高（需排序）
典型场景	快速粗略平滑	高斯去噪、边缘检测预处理	椒盐去噪、保边降噪

一句话总结

均值滤波是"平均一下"（简单但糊边、怕离群点），高斯滤波是"按距离加权平均"（去高斯噪声最优、边缘稍好），中值滤波是"取中间值"（专治椒盐噪声、最能保边）。

---

纯 Python 实现示例（无第三方依赖）

▼
python
复制代码
def median_filter(pixels, width, height, k=3):
    """中值滤波：对灰度图（pixels 为二维列表）做 k×k 中值滤波"""
    pad = k // 2
    result = [[0] * width for _ in range(height)]
    for y in range(height):
        for x in range(width):
            window = []
            for dy in range(-pad, pad + 1):
                for dx in range(-pad, pad + 1):
                    ny, nx = y + dy, x + dx
                    # 边界处理：越界时取最近的有效像素（复制边缘）
                    ny = max(0, min(height - 1, ny))
                    nx = max(0, min(width - 1, nx))
                    window.append(pixels[ny][nx])
            window.sort()
            result[y][x] = window[len(window) // 2]
    return result

面试高频追问：为什么中值滤波能保留边缘而均值不能？——均值滤波把边缘两侧的像素混合平均，产生过渡带（模糊）；中值滤波取的是排序后的中间值，只要窗口内一侧像素占多数，中位数就落在该侧，边缘被完整保留。这也是中值滤波被称为"保边滤波器"的原因。