在OpenCV中，滤波器是图像处理的核心操作之一，主要用于去噪、平滑、锐化、边缘检测等。滤波器本质上是对图像像素及其邻域进行某种数学运算（通常是卷积或非线性运算）。下面从原理到实践，系统介绍OpenCV中最常用的滤波器。

🧠 基础知识：卷积与核（Kernel）

大多数线性滤波器的工作原理是卷积：用一个小的二维矩阵（核，Kernel）在图像上滑动，将核覆盖下的像素值与核系数相乘并求和，得到输出图像的一个像素。

核的大小通常是奇数（如3×3、5×5），这样有一个中心锚点。

📚 OpenCV常用滤波器分类与API

1. 均值滤波（平均滤波）

最简单的线性滤波器，核内所有系数相等，输出像素值为邻域内像素的平均值。

效果：平滑图像，去除高斯噪声，但会模糊边缘。

API：dst = cv2.blur(src, ksize, anchor=None, borderType=None)

ksize: (宽度, 高度)，如(5,5)

快速实现：也可用cv2.boxFilter()，但blur是归一化的盒式滤波。

2. 高斯滤波

核的系数由二维高斯函数决定，中心权重最大，离中心越远权重越小。更符合自然图像的平滑需求。

效果：平滑效果更柔和，边缘保留稍好于均值滤波。

API：dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY=0, borderType=None)

ksize: 必须是奇数，如(5,5)

sigmaX: X方向标准差，若为0则从ksize自动计算

sigmaY: Y方向标准差，默认等于sigmaX

3. 中值滤波

非线性滤波器，将核内像素值排序后取中位数作为输出。对椒盐噪声非常有效，且能较好保留边缘。

效果：去除孤立的亮点/暗点，保护边缘。

API：dst = cv2.medianBlur(src, ksize)

ksize: 核的大小（必须是大于1的奇数，如3,5,7）

4. 双边滤波

非线性、保边平滑滤波器。同时考虑空间邻近度（像素距离）和灰度相似度（像素值差异），因此在平滑平坦区域的同时，能保留边缘。

效果：美颜、去噪同时保持边缘清晰。

API：dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType=None)

d: 滤波直径。若为非正数，则从sigmaSpace计算。

sigmaColor: 颜色空间的标准差，越大表示颜色差异大的像素也会被纳入平滑。

sigmaSpace: 坐标空间的标准差，越大表示距离远的像素也会互相影响。

5. 自定义滤波（卷积）

如果你需要一个任意核（如锐化核、边缘检测核），可以用cv2.filter2D。

API：dst = cv2.filter2D(src, ddepth, kernel, anchor=None, delta=None, borderType=None)

ddepth: 输出图像深度，通常用-1表示与原图相同。

kernel: 自定义的核（numpy数组）。

常用自定义核示例：

锐化核：kernel_sobel_x = np.array([[-1, 0, 1],[-2, 0, 2],[-1, 0, 1]])

边缘检测（Sobel类似）：kernel_sobel_x = np.array([[-1, 0, 1],[-2, 0, 2],[-1, 0, 1]])

💻 完整代码示例（Python）

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

# 读取图像（带噪声）
img = cv2.imread('./images/opencv-dot.png')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)  # 用于matplotlib显示

# 1. 均值滤波
blur = cv2.blur(img, (5,5))

# 2. 高斯滤波
gaussian = cv2.GaussianBlur(img, (5,5), 0)

# 3. 中值滤波
median = cv2.medianBlur(img, 5)

# 4. 双边滤波
bilateral = cv2.bilateralFilter(img, 9, 75, 75)

# 5. 自定义锐化
kernel_sharpen = np.array([[0, -1, 0],
                          [-1, 5, -1],
                          [0, -1, 0]])
sharpened = cv2.filter2D(img, -1, kernel_sharpen)

# 显示对比
titles = ['Original', 'Mean', 'Gaussian', 'Median', 'Bilateral', 'Sharpened']
images = [img_rgb, blur, gaussian, median, bilateral, sharpened]
# 注意显示前需转换颜色空间（BGR转RGB）
for i in range(6):
   plt.subplot(2,3,i+1)
   if i == 0:
       plt.imshow(images[i])
   else:
       plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
   plt.title(titles[i])
   plt.xticks([]), plt.yticks([])
plt.show()

代码运行后效果图：

可以看到中值滤波的去噪效果最好。

🧪 滤波器选择指南（根据噪声类型）

⚙️ 性能与技巧

核越大，平滑越强，但计算量增大，边缘越模糊。

高斯滤波比均值滤波计算稍复杂，但效果更好，推荐作为默认平滑选择。

中值滤波对椒盐噪声非常有效，但对高斯噪声效果一般。

双边滤波参数调优较难：sigmaColor和sigmaSpace越大，平滑越强，但边缘保留能力下降。

实时应用中（如视频处理），均值或高斯滤波速度快；若噪声不严重，可尝试小核（3×3）。

🔧 扩展：方框滤波、各向异性滤波等

方框滤波 (cv2.boxFilter)：不归一化的均值滤波，可指定是否归一化。

Scharr / Sobel 滤波：用于边缘检测，本质是微分滤波器。

拉普拉斯滤波：用于边缘检测，对噪声敏感。

引导滤波（OpenCV未内置，但可自己实现或使用cv2.ximgproc扩展模块）：保边平滑，比双边滤波更快。

📖 总结

掌握了这些滤波器，你就能够处理大部分图像增强和去噪任务。如果需要更高级的滤波（如自适应滤波、频域滤波），可以进一步学习OpenCV的dft、imgproc等模块。