C++中值滤波实现与噪点去除实战

中值滤波必须用滑动窗口对每个像素邻域局部排序取中值，而非全图排序；需正确处理边界（推荐镜像填充）、避免动态内存分配，并用std::nth_element优化排序。

中值滤波的核心逻辑：为什么必须用滑动窗口+排序

中值滤波不是对整张图排序，而是对每个像素的邻域（如 3×3、5×5）内所有像素值做局部排序，取中位数替换中心像素。关键点在于：窗口必须滑动覆盖全图，且边界需处理（如补零、镜像、截断）。直接调 std::sort 在小窗口（≤25 元素）上效率足够，无需手写快排或堆；但若盲目对整个图像 vector 排序，就完全偏离算法本意了。

常见错误现象：
- 输出图像全黑/全白 → 边界未处理，读越界导致 NaN 或随机内存值参与排序
- 滤波后出现明显块状伪影 → 窗口中心偏移计算错误，例如把 (i,j) 当作左上角而非中心
- 性能极差（秒级处理一张 640×480 图）→ 对每个窗口都新建 vector 并分配内存，触发频繁 heap 分配

实操建议：

• 固定窗口大小（如 3×3），用 std::array 预分配邻域存储，避免动态分配
• 遍历范围从 radius 到 height-radius（含），其中 radius = window_size / 2
• 邻域索引用双重循环生成，别硬编码 9 个坐标——易错且无法扩展到 5×5
• 排序前确保所有读取的像素坐标合法；推荐用镜像填充（std::max(0, std::min(w-1, x))）比补零更保边缘细节

OpenCV 中用 cv::medianBlur 实现快速验证

实际开发中，先用 OpenCV 的 cv::medianBlur 快速验证效果和参数是否合理，再决定是否手写。它底层做了 SIMD 优化，5×5 窗口在 CPU 上比纯 C++ 手写快 3–5 倍，且自动处理边界。

注意点：
- cv::medianBlur 要求输入为单通道（CV_8UC1）或三通道（CV_8UC3），不能直接喂 CV_32FC1
- 若图像已转 float 类型（如做归一化预处理），必须先 cv::convertScaleAbs 回 uint8，否则抛异常 Unsupported depth of input image
- 窗口尺寸必须是正奇数（3, 5, 7...），传 4 会静默降为 3，但不报错，容易误判

最小可运行示例：

cv::Mat src = cv::imread("noise.png", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::medianBlur(src, dst, 3); // 3x3 中值滤波
cv::imwrite("denoised.png", dst);

纯 C++ 手写实现：模板化 + 邻域索引安全封装

当需要跨平台无依赖、或集成进嵌入式图像 pipeline 时，得手写。重点不是“怎么排序”，而是“怎么安全取邻域”和“怎么避免重复构造容器”。用模板支持不同窗口尺寸，用 lambda 封装坐标映射逻辑，比一堆 if-else 更可靠。

关键设计选择：

• 不使用 vector 存邻域 —— 改用 std::array，N 在编译期确定
• 边界处理统一走镜像（mirror），函数内联后开销几乎为零
• 排序调 std::nth_element 比 std::sort 更优：只保证中位数到位，复杂度 O(N²)，而全排序是 O(N² log N²)
• 对彩色图，分别处理 R/G/B 通道，不要把三通道混进一个数组排序

核心片段示意（灰度图，3×3）：

template
void medianFilter(const cv::Mat& src, cv::Mat& dst) {
    const int radius = W / 2;
    dst = src.clone();
    std::array window;
    for (int i = radius; i < src.rows - radius; ++i) {
        for (int j = radius; j < src.cols - radius; ++j) {
            int idx = 0;
            for (int di = -radius; di <= radius; ++di) {
                for (int dj = -radius; dj <= radius; ++dj) {
                    int ni = std::max(0, std::min(src.rows - 1, i + di));
                    int nj = std::max(0, std::min(src.cols - 1, j + dj));
                    window[idx++] = src.at(ni, nj);
                }
            }
            std::nth_element(window.begin(), window.begin() + window.size()/2, window.end());
            dst.at(i, j) = window[window.size()/2];
        }
    }
}

噪点类型与中值滤波的适用边界

中值滤波只对**椒盐噪声**（即像素值突变为 0 或 255）效果显著；对高斯噪声、泊松噪声基本无效，甚至可能让纹理模糊。实战中常被忽略的一点：它会破坏细线、尖角等高频结构——比如文字边缘变粗、电路板走线粘连。

判断是否该用中值滤波，先看噪声直方图：

• 直方图两端（0 和 255）有异常尖峰 → 椒盐噪声，中值滤波合适
• 直方图呈钟形、围绕某均值扩散 → 高斯噪声，应换 cv::GaussianBlur 或非局部均值（cv::fastNlMeansDenoising）
• 滤波后文字仍断笔、二维码扫不出 → 窗口太大，尝试 3×3 起步，勿直接上 7×7

真正复杂的去噪场景（如低照度医学图像），中值滤波只是预处理一环，后面还得接自适应阈值或 CNN 后处理。别指望单个中值滤波解决所有噪点问题。