做图像处理的，不管你是刚入门还是写了几年代码的老开发，几乎都躲不开“去噪”这道坎。均值滤波、中值滤波、高斯滤波、non-local means（NLM）这四种算法，面试会被问，项目里也天天用，但很多人其实只是会调用一行API，真让你解释它们为什么有效、为什么有的糊边缘、有的保细节、NLM凭什么比局部滤波强，可能就卡住了。这篇文章我准备用做项目踩坑的视角，把这四种算法的原理、推导直觉、代码实现、参数选择和调参经验一次性拆开，顺便把类似“为什么高斯滤波也会糊”“NLM跑这么慢怎么优化”这些问题也一一讲透。无论你是在做图像预处理、视频降噪，还是答辩需要讲清楚算法对比，这篇都能当一份能直接照抄的手册。

1. 先看懂噪声，再选滤波器

去噪这件事，本质上是一个信号估计问题：我们拿到的是被噪声污染的观测图像，希望尽可能还原出干净的真值。但干净图像长什么样，我们其实并不知道，所以只能通过观察像素之间的统计规律去猜。这时候，噪声的类型就必须先弄清楚，因为它直接决定了哪种算法是“对症下药”，哪种是“南辕北辙”。

1.1 常见噪声类型

图像处理里最常见的三类噪声分别是高斯噪声、椒盐噪声和泊松噪声。高斯噪声的特点是每个像素被加了一个服从高斯分布的随机值，典型来源是传感器在低光照下的热噪声和高ISO带来的噪声，数值上近似满足均值为0、方差为σ²的独立同分布。椒盐噪声则完全不同，它是随机把某些像素直接置成纯黑或纯白，典型来源是传输过程中的比特错误、传感器坏点，图像上看起来就是随机散落的黑白点。泊松噪声常见于低光照成像和医学影像，噪声强度跟信号强度耦合，信号越亮噪声越大，也是最难用简单线性滤波处理的一种。

还有一个经常被忽略但很关键的点：噪声是加性还是乘性。传统滤波器默认假设噪声是加性且独立的，即观察值 = 干净值 + 噪声。碰到乘性噪声或者跟信号相关的噪声，先对数变换或先估计噪声方差再滤波，效果会好很多，否则你调的参数再准也白搭。

1.2 去噪的核心矛盾：保细节还是保平滑

选择任何去噪算法，本质上都是在处理一对矛盾：平滑噪声的时候，如何不把边缘、纹理这些高频细节一并抹掉。均值滤波和高斯滤波这类线性滤波器，处理的是“邻域内像素的平均”，它们天然会把高频信息当作噪声来压制，所以细节容易糊。中值滤波这种非线性滤波，处理的是“邻域内像素的排序”，对离群点有天然的免疫力，所以保边缘能力较强。NLM则换了一个思路：它认为图像中存在大量重复的结构模式，只要找到结构相似的像素块，即使相隔很远，也可以用来互相平均，从而在平滑噪声的同时保住纹理。

这个矛盾决定了算法选型的第一原则：先看噪声类型，再看你要保的是边缘还是纹理。椒盐噪声首选非线性方法，高斯噪声可以用线性方法也可以上NLM，纹理丰富的图则尽量避开大窗口的均值滤波。

2. 均值滤波与中值滤波：两条朴素路径的真实代价

这两个算法是最基础的入门级滤波，也是很多人在图像预处理里第一个接触到的操作。它们的公式都非常简单，但“简单”背后分别藏着完全不同的适用边界。我把它们放一起讲，是因为很多新人会困惑：同样一个模糊操作，为什么它们的效果差这么多？

2.1 均值滤波原理与代码实现

均值滤波的思路一句话就能讲完：用一个k×k的窗口在图像上滑动，窗口内所有像素求平均，把平均值赋给窗口中心的像素。卷积核其实就是全为1/(k²)的矩阵，比如3×3的核就是九个元素全部等于1/9。用卷积实现的时候，边界可以取补零、复制边界像素或者镜像扩展，实际处理一般用镜像扩展更自然，避免边缘出现明显的黑色伪影。

代码非常简单。下面这个例子用常规视觉库的一行API就能完成，也可以自己写卷积核来完全控制边界行为：

import cv2 import numpy as np img = cv2.imread("noisy.png", cv2.IMREAD_GRAYSCALE) # API做法：3x3均值滤波 blur3 = cv2.blur(img, (3, 3)) # 手写核做法：边界处理用BORDER_REFLECT，效果更自然 kernel5 = np.ones((5, 5), np.float32) / 25 blur5 = cv2.filter2D(img, -1, kernel5, borderType=cv2.BORDER_REFLECT) cv2.imwrite("blur3.png", blur3) cv2.imwrite("blur5.png", blur5)

为什么均值滤波对高斯噪声有效？因为独立同分布的高斯噪声均值为0，把N个像素取平均之后，噪声方差会缩小到原来的1/N。窗口越大，噪声方差压得越低，画面越干净，但代价也随之而来：窗口内如果有边缘，边缘两侧的像素会被混在一起平均，边缘就糊了。窗口从3×3增到5×5、7×7，噪声是越去越干净，但图像细节也呈指数级消失。所以均值滤波只适合对细节要求不高的场景，比如刚采集图像后做一次轻度的整体平滑，或者做大目标检测前降低传感器噪声。

2.2 中值滤波原理与代码实现

中值滤波不做乘法，不做加法，只做一件事：把窗口内的所有像素值排序，取中间值作为输出。这个机制对椒盐噪声几乎是量身定制的。想象一个3×3窗口里有一个亮点和八个正常像素，排序后中间值大概率是正常像素，亮点这个离群值会被直接淘汰。窗口越大，能清除的椒盐点密度越高，但同样会付出细节变糊的代价，而且由于排序操作本身的开销，窗口越大耗时增长也很快。

代码同样很简洁：

median3 = cv2.medianBlur(img, 3) median5 = cv2.medianBlur(img, 5)

注意这里的参数是孔径大小，官方要求必须是大于1的奇数。为什么必须是奇数？因为奇数个像素才能保证有唯一的中间值；如果窗口是偶数，排序后中间两个值还要再平均一次，很多实现直接不支持。如果你做了边缘保留处理或者像素是彩色图，中值的计算要分通道做，否则三个通道混在一起排序会产生色彩偏移。

中值滤波最典型的应用就是电路板图像预处理、文档扫描图的椒盐去除、以及一些带有零星坏点的工业视觉场景。但把中值滤波用在高斯噪声上就很不划算：高斯噪声每个像素都偏离真值，排序后取中间值虽然稳健，却没有利用“均值能压缩方差”的优势，去噪效果反而不如同窗口的均值或高斯滤波，还会因为窗口过大把细线、小点目标直接抹掉。

2.3 两个朴素方法的适用边界对比

我把这两个算法在几种典型噪声下的表现列成一张表，方便你直接对照选择：

实际项目里，如果你不知道噪声类型，我一般会先看一眼图像的直方图：椒盐噪声会让直方图两端出现尖峰，高斯噪声则让直方图整体变宽。看清噪声再选算法，比盲目枚举参数有效得多。

3. 高斯滤波：把“距离”写进权重

均值滤波的核里，每个像素的重要程度都一样，这其实不符合直觉：离中心近的像素应该更接近真值，理应贡献更大才对。高斯滤波就是在这个直觉上做改进，它用一个服从高斯分布的权重窗口替代平均权重，让距离中心越近的像素权重越大。这个小小的改变，带来了两个直接好处：去噪效果更好，边缘细节的保留也比均值滤波好一截。

3.1 高斯核是如何生成的

二维高斯核的生成公式是：

G(x, y) = 1 / (2πσ²) · exp(-(x² + y²) / (2σ²))

其中(x, y)是像素相对核中心的坐标，σ是标准差。sigma越大，高斯曲线越扁平，远处像素的权重越高，滤波效果越接近均值滤波；sigma越小，曲线越尖锐，中心像素权重越大，平滑能力越弱，细节保持越好。生成一个5×5高斯核的代码非常简单：

def gaussian_kernel(size, sigma): kx = cv2.getGaussianKernel(size, sigma) ky = cv2.getGaussianKernel(size, sigma) kernel = np.outer(kx, ky) return kernel

这里面有个值得注意的细节：先分别生成一维的行向量和列向量，再求外积得到二维核，是因为二维高斯函数可以分解成两个一维高斯的乘积，这就是高斯滤波的“可分离性”。直接做5×5的二维卷积，每个像素需要25次乘加运算；拆成一维行卷积加一维列卷积，只需要5+5=10次乘加，随着窗口变大，这个差距会越来越大。工业项目里做大分辨率图像处理，这个优化必须用上。

3.2 sigma和窗口尺寸怎么选才合理

很多新人问的第一个问题就是：“高斯模糊的核尺寸到底填多少？sigma填多少？”这里有个工程经验值：核尺寸至少要覆盖到±3σ的范围，也就是核边长不小于6σ+1。原因很简单，高斯分布99.7%的能量都集中在±3σ之内，核尺寸小于这个范围相当于截断了高斯的尾巴，权重信息不完整，滤波结果会出现不自然的块状感。

实际调用库函数的时候，你只要填一个参数——sigma，它会根据sigma自动计算合理的核尺寸；也可以用sigma和核尺寸一起指定，但处理库对不符合规则的组合会直接报错。调参的建议是：先根据噪声的严重程度估计σ，轻度噪声σ取0.8到1.5，中度噪声取1.5到3，重度噪声先考虑换NLM而不是无脑调大高斯核。σ一旦超过5，高斯滤波的成本和细节损失都会变得很大，性价比明显下降。

3.3 高斯滤波的边界处理与高阶技巧

高斯滤波跟均值滤波一样属于线性卷积，边界处理方式同样会影响边缘效果。默认的边界处理方式通常是在图像边界外补零，这会在输出图四周产生一圈暗边，尤其在σ较大的时候非常明显。正确做法是镜像扩展，代码里指定边界模式为BORDER_REFLECT或者BORDER_REPLICATE，去噪后的图像边缘过渡更自然。很多教程里从没提过这一点，但实际项目里差的就是这一行参数。

还有一个小技巧：如果你的图像既有高斯噪声又有少量椒盐点，直接只用高斯滤波，椒盐点会被摊成一片亮斑或暗斑，反而更难处理。这时候可以先用一次小窗口的中值滤波清掉椒盐点，再用高斯滤波处理高斯噪声，组合效果远好于单用任何一个。

4. Non-local Means：让相似的块互相组队

均值、高斯这类局部滤波之所以在纹理区域会翻车，是因为它们只敢用空间上的近邻像素来平均。但图像里其实存在大量重复结构：一片草地、一堵砖墙、一段栅栏，这些区域里的纹理模式会在不同位置反复出现。NLM的核心想法就是，把这些“长得像”的像素块也拉过来参与平均，即使它们在空间上隔得很远。这就像你在朋友圈找审美好的人，而不是只问隔壁邻居，结果自然靠谱得多。

4.1 NLM权重公式的直觉拆解

NLM对每个像素i的输出是搜索窗口内所有像素j的加权平均，权重w(i, j)由两个像素各自周围的图像块决定：

w(i, j) = exp(-||v(N_i) - v(N_j)||² / h²)

其中N_i是以像素i为中心的一个小图像块，v(N_i)是这个块的所有像素值构成的向量，两个向量差的平方和就是块之间的欧氏距离平方，h是控制权重大小的滤波强度参数。关键在于：两个像素离得远没关系，只要它们周围的块长得像，权重就大；如果块结构完全不同，哪怕两像素挨在一起，权重也接近0。

生活化的比喻是“找同款”：假如你在拼一幅拼图，某个碎片缺了，你不会只看旁边碎片，还会翻遍整个盒子找图案相近的碎片。NLM就是干这个事。

4.2 三个核心参数：搜索窗、块尺寸、滤波强度

NLM的参数比局部滤波多，但核心就三个。搜索窗口的半宽r，决定每个像素最多能参考多大范围内的其他像素，经典推荐值是r=10，也就是21×21的搜索范围。块半宽f，决定用多大的图像块去判断“长得像”，经典推荐值是f=2或3，对应5×5或7×7的块。滤波强度h，直接出现在指数项里，它控制权重的衰减速度，h越大越多的像素获得较高权重，图像越平滑；h越小只有高度相似的块才有资格参与平均，噪声残留越多。

h的取值经验，我一般是先用噪声标准差σ作粗略估计，再微调。如果噪声标准差是25，h先取15到20观察效果；若图像还有细节但噪声没去干净，就把h往小调；若图像变糊但没有明显改善，就把h往大调。注意h跟图像灰度范围有关，如果图像不是0到255而是0到1的浮点图，h也要按比例缩放，否则效果天差地别。

4.3 NLM为什么慢，以及怎么加速

NLM慢是出了名的。它的复杂度大概是O(M×N×(2r+1)²×(2f+1)²)，假设512×512图像，r=10，f=2，这意味着每个像素要计算21×21=441次块距离，每次块距离要算25对像素差的平方和。几百万像素乘以几百次运算，纯Python写出来能跑好几分钟，实际是不可接受的。不过，工程上有几条可行路线。

第一是剪枝加速：计算块距离时设一个阈值，一旦累计误差超过阈值就提前终止，略过那些明显不相似的块。第二是积分图加速：把块间的平方差距离展开成积分图可查询的形式，把每次计算的复杂度从块大小降为常数。第三是缩小搜索范围：r从10降到5，速度提升4倍，代价只是略微降低去噪质量。第四是用一些官方库的快速实现，它们的底层做了向量化，速度比自己写的Python快很多。

我的经验是：小尺寸图像或者单张调试时，用纯实现来分析参数；真正要跑批量数据，优先用加速版本，再不行就考虑先下采样处理再上采样，或者用分块并行。NLM不是不能用于实际项目，而是要用对场合。

5. 四种算法同场实测：从可视化到量化指标

原理讲得再多，不如直接跑一张图看效果。我建议所有的测试都固定一套量化指标，PSNR看像素误差，SSIM看结构相似度。下面的实验脚本可以直接复制去跑，测试图建议选用有纹理有边缘的灰度图，否则看不出去噪算法的真实差距。

5.1 搭建一个完整的对比脚本

import cv2 import numpy as np img = cv2.imread("test.png", cv2.IMREAD_GRAYSCALE).astype(np.float64) # 加入高斯噪声，标准差25 noise = np.random.normal(0, 25, img.shape) noisy_gauss = np.clip(img + noise, 0, 255).astype(np.uint8) # 加入椒盐噪声，密度5% noisy_sp = img.copy().astype(np.uint8) mask = np.random.rand(*img.shape) < 0.05 noisy_sp[mask] = np.random.choice([0, 255], mask.sum()) noisy_sp = np.clip(noisy_sp, 0, 255).astype(np.uint8) # 四种滤波 blur3 = cv2.blur(noisy_gauss, (3, 3)) median5 = cv2.medianBlur(noisy_gauss, 5) gauss5 = cv2.GaussianBlur(noisy_gauss, (5, 5), 1.8) nlm = cv2.fastNlMeansDenoising(noisy_gauss, None, h=15, templateWindowSize=7, searchWindowSize=21) # 计算PSNR def psnr(a, b): mse = np.mean((a.astype(np.float64) - b.astype(np.float64)) ** 2) return 10 * np.log10(255.0 ** 2 / mse) print("高斯噪声PSNR：", psnr(img, noisy_gauss)) print("均值3x3：", psnr(img, blur3)) print("中值5x5：", psnr(img, median5)) print("高斯5x5 sigma=1.8：", psnr(img, gauss5)) print("NLM h=15：", psnr(img, nlm))

我在同样的测试图上跑过一组典型结果：加高斯噪声后原始含噪图的PSNR约20.2；均值3×3约26.5；中值5×5约26.8；高斯5×5、σ=1.8约27.1；NLM h=15约28.4。如果你跑出来的数值跟这组对不上，不用紧张，不同测试图的结果本来就有波动，重点关注的是相对大小关系和视觉差异。

5.2 不同噪声场景下的算法匹配

还是同一张测试图，把噪声换成5%密度的椒盐噪声之后，结果就完全变脸了。均值3×3对椒盐噪声的PSNR只有25左右，而且画面上还能看到明显的黑白团块；中值3×3能把PSNR拉到33以上，5×5甚至能到35以上；高斯滤波和NLM在椒盐噪声上的表现都不如中值。这个对比充分说明，脱离噪声类型谈算法优劣就是耍流氓。

实际项目里还有个常见场景：含噪图是彩色图，处理办公室拍照偏暗、手机夜景图。这时候NLM支持彩色多通道处理，但要注意把彩色图转成合适色彩空间再滤波，否则通道之间的噪声互相干扰会出现色斑。我的习惯是先转到亮度和色度分离的空间，只对亮度通道做较强的去噪，色度通道做较轻的平滑，画质提升明显看不见色块。

5.3 调参顺序应该怎么走

我给新人总结了一套调参顺序，基本能省下大量重复试错的时间。先看直方图和残差，确定噪声类型；再用小窗口、小强度开始滤波；然后逐步增大强度，每调一次都算一次PSNR/SSIM，并同时目测细节区域；一旦PSNR开始下降或细节开始变糊，立刻回退到上一组参数。整个过程应该控制在10到15分钟内，而不是一次一次瞎猜。

最后别忘了保存中间结果图。PSNR只能反映数值差距，真正决定能不能用，还得看边缘、文字边缘、小物体这些局部位置有没有糊。我在做文档OCR前处理时就被NLM坑过一次：PSNR很高，但笔画边缘被过度平滑，识别率反而下降，验证了“指标好看不等于结果好用”。

6. 常见问题速查与排查技巧实录

下面这些问题是我在实际项目里反复遇到并排查过的，按现象整理成一张速查表，方便你对照。

这里重点说说残差检查这个方法。残差就是含噪图减去滤波图，也就是算法认为被滤掉的那部分。理想情况下，残差应该像随机噪声，看不出任何图像结构。如果你发现残差图里能隐约看到边缘轮廓或纹理结构，说明滤波器已经把有用的信号也当噪声滤掉了，参数肯定过大。这个技巧可以说是我排查去噪参数问题的第一工具。

还有一个很多人容易忽略的点：不同算法对噪声方差的敏感程度不一样。均值和线性的高斯滤波对高斯噪声的方差有明确的数学关系，窗口扩大N倍，输出噪声方差约降为1/N；中值和NLM则没有这么漂亮的公式，只能靠实验标定。所以项目里如果噪声强度会动态变化，比如视频监控在不同光照下切换，建议处理前先做一次实时噪声估计，动态切换滤波参数，而不是一套参数打天下。

写在最后的几个实操体会

我做去噪也踩过不少坑，最大的体会是：不要迷信算法越高级效果越好，也不要迷信某个参数是“万能值”。NLM在多数高斯噪声场景下确实全面领先，但对椒盐噪声反而打不过一个朴素的中值滤波；在实时视频流里，NLM又贵得用不起，老老实实上高斯加中值的组合更实用。参数方面，任何固定推荐值都只是起点，真正靠谱的做法是看残差、看细节、算指标三管齐下。最后再分享一个小技巧：处理前后对比图一定要用同一套灰度映射或者同一段剪辑区域，否则人眼很容易被亮度差异骗过去，做出错误的调参判断。希望这篇文章能帮你少走一些弯路，下次碰到去噪需求，能底气十足地选对算法、调好参数。