★ FEATURED ARTICLE 简介面向图像处理学习者、研究人员及开发者的Python图像去噪算法集合基于PyQt5构建图形界面无需深入编程也能操作解决不同噪声场景下的图像降噪与质量提升问题。压缩包共6个文件包括5个Python脚本和1个界面文件整体仅6KB脚本按功能模块划分分别实现高斯滤波、中值滤波、快速傅里叶变换去噪、双边滤波和非局部均值等算法界面文件用于搭建参数调节与预览窗口。目前已有6212人学习浏览。资源提供完整代码和UI框架适合进行算法效果对比与参数实验通过滑块、按钮等组件调整滤波器尺寸、强度等参数可实时观察处理结果帮助深入理解空间域与频率域去噪的差异也可作为课程设计、毕业设计或二次开发的起点进一步扩展深度学习去噪模型。1. 去噪不是“磨皮”为什么噪点不同算法就必须不同把一张满是颗粒的照片丢给用户第一反应往往是“高斯模糊”噪点确实被淡化了但文字边缘、衣服纹理也跟着糊成一片。把同一张图交给懂图像去噪的人他会先问一句噪点是离散的白点还是均匀分布的颗粒这一个问题直接决定了该用中值滤波还是高斯滤波。图像去噪真正的难点从来不在“滤镜”而在噪声建模——不同物理来源的噪声对应完全不同的统计假设假设用错去噪就是毁图。这套基于 Python 实现、覆盖高斯、中值、FFT、双边、非局部均值并把它们塞进 PyQt5 界面的资源价值在于让你能对着同一张噪声图反复切换算法亲眼看到“匹配”与“不匹配”的区别。搞懂底层机制你才能回答为什么这个算法对这个噪声有效而不是只记得复制参数。2. 噪声模型匹配高斯、椒盐与傅里叶去噪的底层机制图像里的噪声来源五花八门传感器暗电流产生热噪声低光环境下光子到达率波动产生泊松噪声传输或存储故障产生椒盐噪声。前两者在统计上近似为高斯分布后者则是随机极值。去噪算法的本质是先对噪声分布做一个先验假设再在这个假设下设计出“估计干净像素”的策略。所以第一步不是把手伸向某个滤镜而是判断噪点长什么样。2.1 高斯滤波卷积核是怎么“长出来”的高斯噪声是加性的观测到的像素值 g f n其中 f 是干净图n 服从均值为 0、方差为 σ² 的高斯分布。在最小二乘意义下局部均值是这批观测的最优估计而局部均值正是一个卷积核与图像做点乘的结果。高斯核把权重压在窗口中心、向四周快速衰减本质上是在做“加权平均”只是它比普通均值滤波更聪明离得近的像素更可信贡献更大。import cv2 import numpy as np def gaussian_denoise(img, ksize5, sigma1.5): # 生成一维高斯核形状是 (ksize, 1) kernel_1d cv2.getGaussianKernel(ksize, sigma) # 一维核与自身转置做外积得到二维高斯核 kernel_2d kernel_1d kernel_1d.T # 归一化保证卷积前后整体亮度不变 kernel_2d / kernel_2d.sum() # filter2D 做真正的滑窗卷积 blurred cv2.filter2D(img, -1, kernel_2d) return blurred这段代码把卷积核的生成和卷积过程拆开看。cv2.getGaussianKernel 只返回一维权重二维核是两个一维核的外积这正是“高斯核可分离”的体现先横后竖两次一维滤波计算量从 O(N·k²) 降成 O(N·k)。kernel_2d.sum() 等于 1说明它不会改变平坦区域的亮度真正被抹掉的是“高频波动”。当 sigma 不传时OpenCV 内部按经验公式 sigma0.3*((ksize-1)*0.5-1)0.8 推算所以 ksize 越大隐含的平滑半径也越大。对 ksize 为偶数的核OpenCV 根本不会帮你算因为找不到对称中心这也是这类接口要求奇数孔径的原因。高斯滤波为什么对高斯噪声有效中央极限定理给了一个直觉像素值本身是大量独立随机因素叠加的结果高斯分布是最常见的信息分布用高斯核做加权平均等于在空间上把独立噪声分量抵消掉一部分。而边缘之所以会被抹掉是因为边缘也是高频变化卷积核不管你是“细节”还是“噪声”一律当作高频衰减。filter2D 默认用反射填充处理窗口越界所以图像四边也能正常卷积但反射填充会在边界引入重复结构批量评估去噪效果时最好裁掉边界区域再算 PSNR否则边界像素会拖低分数。2.2 中值滤波为什么排序统计能对付椒盐噪声椒盐噪声的行为完全不同它是随机把某些像素直接改成 255 或 0像是菜汤里撒了一把盐。这时如果用均值滤波一个 255 的盐点会把整个 3×3 窗口的平均值拉高结果不是去掉噪点而是得到一块能看见的灰斑。中值滤波的思路换个角度把窗口内的像素排序取中间值当作输出。def median_denoise(img, ksize3): # medianBlur 内部用直方图做排序加速复杂度低于朴素排序 return cv2.medianBlur(img, ksize)这里值得展开的机制是中位数是最小化绝对偏差的估计量均值是最小化平方误差的估计量。当观测里存在真正的异常值时平方误差会被异常值放大均值就不稳健而绝对偏差对极值不敏感中位数能稳稳站在正常像素的坡度上。椒盐噪声造成的 0 或 255 会稳定地位于排序序列的两端永远轮不到它们坐中间那把椅子。这也是为什么对付椒盐噪声中值滤波几乎是第一选择它不是“去掉”极值而是无视极值。一个容易忽略的实现细节是 ksize 只能取大于 1 的奇数3、5、7 表示窗口边长OpenCV 里的 medianBlur 没有 sigma 参数因为它根本不关心像素服从什么连续分布只做排序。代价是窗口越大图像里的细线、尖角这些“极小结构”也会被中值吞噬因为它们在一堆邻域像素里只占少数。所以椒盐噪声密度高时k5 能压下去但文字笔画会明显变粗——这说明去噪永远在“噪声方差”和“信号结构”之间找平衡。2.3 FFT 去噪把噪声搬到频率域再切掉空间域滤波看着直观但有一类噪声在空间域里很难和细节区分。这时可以换坐标系把图像从空间域搬到频率域。二维傅里叶变换把图像分解成不同频率和方向的平面波低频系数集中在前景结构、平坦区域高频系数里则混合着边缘和高斯噪声。FFT 去噪的整个套路就是变换、做个掩膜、逆变换。import numpy as np def fft_denoise(img_gray, radius30): # 转 float32FFT 对整数输入也能算但 float 更稳 f np.fft.fft2(img_gray.astype(np.float32)) # fftshift 把低频分量从四角搬到中心方便画圆形掩膜 f_shift np.fft.fftshift(f) rows, cols img_gray.shape crow, ccol rows // 2, cols // 2 # 半径内保留低频半径外置 0切掉高频 mask np.zeros((rows, cols), np.float32) mask cv2.circle(mask, (ccol, crow), radius, 1, -1) f_filter f_shift * mask # 逆变换前必须先 ifftshift把中心频谱还原到四角 img_back np.fft.ifft2(np.fft.ifftshift(f_filter)).real # 复数计算会产生负数和超过 255 的值裁剪后转 uint8 return np.clip(img_back, 0, 255).astype(np.uint8)这段代码里最容易出错的不是 FFT 本身而是两次 shift。fft2 输出的低频本来分布在四角不 shift 也能做操作但那样掩膜就得画成四个角而非一个圆心fftshift 后再处理完必须用 ifftshift 还原象限再 ifft2否则输出会在空间域里出现图像被切成四块错位重拼的诡异结果。另一个坑在数据类型ifft2 的结果有复数虚部直接取 real 是对的但值域可能跑到 [-50, 300] 这样的区间直接存成 uint8 会被截断出黑块所以 clip 是必须的。值得多说一句的是用半径 30 的硬圆盘做截止等效于在空间域乘一个 sinc 核sinc 的旁瓣会在边缘附近制造明暗振铃。想让振铃更轻通常把 0/1 掩膜换成一个高斯渐变窗半径变成“衰减强度”而不是“一刀切”。这个细节解释了为什么很多人做完 FFT 去噪会发现图像像蒙了一层水波纹——不是算法错了是掩膜形状太暴力。3. 边缘防线双边滤波的权值乘积为什么能既平滑又保边高斯滤波的失败案例非常典型去噪成功边缘也一起阵亡。原因是它只考虑“空间距离”——离中心近的像素权重高完全不关心这个像素是不是已经跨过了物体边界。双边滤波只改了一个地方在空间核之外再乘一个值域核。这个乘积让边缘两侧的像素“互相装作看不见”。3.1 双边滤波的权值公式一个像素怎么决定“跟谁混”双边滤波对每个中心像素 p 计算邻域 q 的权重时用两个高斯核相乘w(p,q) exp( -||p-q||² / (2σ_s²) ) × exp( -(I(p)-I(q))² / (2σ_r²) )左边是空间高斯q 离 p 越近权重越大右边是灰度高斯q 的灰度与 p 差得越多权重越小。两个条件同时满足的像素才是“值得一起平均”的邻居。def bilateral_denoise(img, d9, sigma_color75, sigma_space75): # OpenCV 对彩色图原生支持双边滤波颜色差异也会参与权重 return cv2.bilateralFilter(img, d, sigma_color, sigma_space)把这个公式用在屋顶和天空的交界处屋顶砖块灰暗天空明亮。一个位于屋顶边缘的像素它的空间邻域里既包含屋顶像素也包含天空像素。空间核给了两者差不多的初始权重但灰度核发现天空像素的灰度与它差了几十甚至上百权重指数级跌到接近 0。结果就是屋顶噪声被屋顶像素们均摊掉天空像素完全没参与搅局边缘保持在原位。这就是“自适应滤波”的机制来源——卷积核的形状不再固定而是逐像素根据内容变形。用一句口语总结双边滤波让每个像素自己挑队友。再多说一层为什么这类核叫自适应卷积。普通卷积核在一个滑窗位置上只有一组固定权重不管窗口里是平坦区域还是跨越物体边界卷积运算一视同仁双边滤波则把权重建在图像内容之上同一个 3×3 窗口落在皮肤上时近似高斯核落在发丝边界时就变成了只覆盖同侧像素的不对称核。核形状是像素内容的自变量这层“内容驱动”是它区别于普通模糊的本质也正是后面非局部均值把“相似块”概念扩展出去的思想起点。3.2 参数调试sigma_color 与 sigma_space 的博弈双边滤波调参在很多人眼里是门玄学其实核心就是两个 sigma 的平衡。对 8 位图像来说边缘两侧的灰度差通常在 50 到 150 之间sigma_color 如果设为 20那么灰度差超过 40 的像素权重已经降到很低边缘保护得非常激进sigma_color 设到 150 时几乎整个动态范围的像素都“价值观一致”灰度核退化成常数双边滤波就变回了普通高斯模糊。常见的调参路线是先固定 sigma_space75、d9然后从 sigma_color10 开始逐步增大每翻一倍看一眼结果噪声还在就继续加边缘开始糊就退回上一个值。sigma_space 控制的是影响半径它对“边缘是否糊”的影响远不如 sigma_color 剧烈但会把远处相似区域的像素拉进来参与平均帮助压平低光照下的大颗粒噪声。这里有一个常被忽略的副作用sigma_space 太大时远处灰度相近但结构不同的像素会被错误地一起平滑皮肤上细小的毛孔纹理也会消失。如果把 sigma_space 固定为 75、sigma_color 从 10 加到 150会看到一个很清晰的过渡一开始纹理变得细腻但边缘锐利中期颗粒感消失、边缘开始软化后期图像出现轻微“塑料感”边缘像被橡皮擦擦过。这个过渡的本质是值域核从“选择性队友”退化成“全员通行证”。在实际界面上我一般建议把 sigma_color 滑块做成分段式的非线性映射0-255 的 8 位图按 5/15/35/75/150 分成五档让用户清楚地感知到“再往前一步就会糊”的临界点。这份资源里用来演示双边滤波的模块是 double_edge.py。从文件名看它的设计意图很可能是“双边 边缘”的组合实验先做双边滤波再和边缘检测结果叠加对比验证去噪后边缘梯度是不是真的保住了。我一般会这么理解这个文件的定位它不是为了展示 API 调用而是为了给“保边”这个抽象的承诺一个可视化证据——你切换去噪前后同一张图的边缘图没有大范围消失。这个检查动作比肉眼盯着屏幕更可靠。4. 从局部到全局非局部均值与深度学习的相似性假设双边滤波把“邻居”定义在空间上NLMeans 把它扩展到整张图图像里任何一块区域的纹理结构都可能在其他位置重复出现这些非局部相似块才是更好的去噪参考。深度学习进一步把“相似性”的定义交给网络从数据里学而不是手工设计。这三种方法共享同一个底层逻辑——像素不是孤立的结构会在图像里重复。4.1 非局部均值在整张图里寻找“长得像”的邻居NLMeans 的思想用一句话概括与其只拿周围一圈像素做平均不如全图搜索“长得像我周围这一个小方块”的其他方块把它们加权平均。它对每个中心像素 p 取一个 templateWindowSize 大小的块在 searchWindowSize 的搜索窗口内用块的欧氏距离衡量两个块是否相似距离越小权重越大最后把这些相似块中心像素的灰度做加权平均。def nlmeans_denoise(img): # h 是滤波强度hColor 控制彩色通道的权重 # templateWindowSize 是相似块边长searchWindowSize 是搜索半径 denoised cv2.fastNlMeansDenoisingColored( img, None, h10, hColor10, templateWindowSize7, searchWindowSize21 ) return denoised它的权重公式可以写作 w(p,q) ∝ exp( -||B(p)-B(q)||² / h² )B(p) 表示以 p 为中心的小块向量||·||² 是逐像素差的平方和h 控制衰减速度。这里没有空间距离项——两个相似块哪怕隔了半张图只要块距离小就有接近 1 的权重。这个设定让 NLMeans 对周期性纹理特别有效衣服的编织花纹每隔几个像素重复一次搜索窗口里能捞出一大批几乎等价的相似块平均之后噪声被压得极干净而花纹的相位信息被保留。代价是搜索窗口稍微开大一点循环里要做 t×t 个块的逐像素比较整幅图跑完的耗时成倍上涨这就是很多 UI 项目默认只给 21×21 搜索窗口的原因。为什么块匹配能保边缘因为两个跨边缘的块哪怕中心像素只隔一个像素块内像素值的欧氏距离也会因为边缘两侧的灰度差而拉大权重跌下去而同一个纹理周期内重复出现的相似块距离小、权重大参与平均后既压了噪声又保持了纹理相位。在 OpenCV 里彩色图直接用 fastNlMeansDenoisingColored 一次处理三通道h 越大权重衰减越慢、平滑越强templateWindowSize 通常取 7太小匹配不稳定、太大把细节块也磨平。资源里把这部分接到 UI 上时滑块对应 h 是有意义的——用户从 10 一直拖到 30能直观看到“更平滑”和“更有塑料感”之间并没有一条清晰的分界线。4.2 深度学习去噪残差学习与数据先验的代价深度学习方法被单独列为最后一项原因也很直接DnCNN、FFDNet 这类模型背靠的不是某个滤波公式而是大量成对的干净/带噪训练数据。DnCNN 的残差学习策略很巧妙——网络输入带噪图输出预测的是“噪声图”而不是“干净图”最终结果用输入减去预测噪声得到。这样做的好处是让网络逼近一个接近零的恒等映射训练更稳定同时噪声分量通常集中在高频网络在学习残差时相当于被迫关注高频细节这让它在低照度大噪声场景下比传统滤波器强很多。FFDNet 再多一个输入通道告诉网络当前像素位置大概有多大的噪声用来处理噪声水平不均匀的图片。推理时的数据流是这样带噪图缩放或分块后进入网络网络输出一张同样尺寸的单通道残差图残差图与输入做逐像素减法得到去噪图。如果输入是彩色图多数模型会先把 RGB 转成亮度与色度分离的颜色空间只对亮度通道跑网络最后再合并。训练阶段则是在干净图上人工叠加已知噪声构造带噪图噪声的数据对让网络输出尽量逼近真实噪声loss 直接取输出与噪声之间的 MSE。这个套路把“去噪”问题拆成“估计噪声”问题网络压力小很多收敛也稳。但数据先验的代价同样明显训练需要大规模配对数据推理需要 GPU而且遇到训练分布之外的噪声形态容易产出怪异的伪影。对一个以“传播原理、快速上手”为目标、还带着 PyQt5 界面的项目来说把传统算法做成可交互的工具箱把深度学习留在概念介绍和可扩展的位置是务实的取舍——用户在一台没有 GPU 的机器上打开界面仍然能流畅地切换五种算法这才是这份资源的真正使用场景。5. 集成避坑PyQt5 图像数据流的五个翻车点项目把 main.py、untitled.ui、gao_si_lvbo.py、double_edge.py、color_image_denosing.py 组织成一个应用UI 负责参数输入和结果显示算法模块负责计算彩色图像的处理被单独拆出来。结构清楚但界面与图像算法的粘合处藏着几个高频率翻车点每个都是血泪经验。5.1 界面卡死算法阻塞了 UI 主线程现象点下“开始去噪”界面立刻无响应标题栏变成“未响应”等一会儿才恢复。原因把滤波函数直接写进按钮的 clicked 槽函数里。Qt 的界面刷新依赖主线程事件循环而卷积或者 NLMeans 这类 CPU 密集型计算会占住线程paint 事件排队干等表现就是“假死”。解决把计算搬进 QThread结果通过信号传回主线程。class DenoiseWorker(QThread): result_ready pyqtSignal(QImage) def __init__(self, img, method, params): super().__init__() self.img img self.method method self.params params def run(self): # 这里在子线程执行耗时算法不碰界面控件 out apply_denoise(self.img, self.method, self.params) qimg cv2_mat_to_qimage(out) self.result_ready.emit(qimg)apply_denoise 在子线程里随意跑主线程继续响应画布拖动、滑块变化收到 result_ready 信号后再去更新 QLabel这是 Qt 信号槽跨线程的标准姿势。注意 cv2_mat_to_qimage 里如果用 QImage 去拥抱 numpy 数组一定要 .copy()否则数组被回收后界面拿到的是一块悬空内存会表现出偶发性花屏。5.2 彩色图变灰BGR 通道处理的经典翻车现象加载彩色 JPEG选择的去噪算法明明是平滑类输出却成了灰色单通道图或颜色发暗的单色效果。原因cv2.imread 读出来是 BGR 三通道很多人习惯先转灰度再滤波结果彩色信息全部丢失或者自己写循环时只取了第一个通道merge 时用了错误的通道组合。另一个隐蔽原因在显示环节PyQt5 的 QImage.Format_RGB888 期望 RGB 顺序而 OpenCV 给的是 BGR不转换就显示成蓝红互换的怪色。解决处理彩色图时拆通道、逐通道滤波、再合并显示时先 cvtColor 再灌入 QImage。b, g, r cv2.split(img) b cv2.medianBlur(b, 3) g cv2.medianBlur(g, 3) r cv2.medianBlur(r, 3) out cv2.merge([b, g, r]) rgb cv2.cvtColor(out, cv2.COLOR_BGR2RGB) qimg QImage(rgb.data, rgb.shape[1], rgb.shape[0], rgb.shape[2] * rgb.shape[1], QImage.Format_RGB888).copy()高斯、中值、双边本质上都是单通道操作彩色图逐通道处理再合并是通用路线FFT 如果想处理彩色要么逐通道做要么转 YCrCb 只对亮度通道滤波避免色度通道被平滑后产生色彩渗染。color_image_denosing.py 这个模块存在的意义就是把这套“拆-滤-合-转”流程收口避免每次调用都踩一遍 BGR/RGB 的坑。5.3 保存结果与预览不一致数据类型与裁剪问题现象界面上预览效果很好保存到磁盘后打开要么整体偏黑要么有一块块条纹。原因FFT、NLMeans 等算法的中间结果是 float32 甚至复数值域不保证落在 [0, 255]。预览时 QImage 按某种方式显示保存时 cv2.imwrite 对 float 图有自己的缩放逻辑两条路径的标准不同结果自然不一致。解决统一出口让预览和保存共用同一个后处理函数。def finalize_uint8(mat): # 一律先裁剪到 0-255再转成 uint8 return np.clip(mat, 0, 255).astype(np.uint8)这个函数同时用在预览和保存两条路径上保证所见即所得。imwrite 对 uint8 的 BGR 三通道图最友好float32 数组直接写进去它会帮你做数据范围映射但映射规则和你的预期往往不同——与其依赖隐式行为不如显式裁剪。遇到保存出来偏黑优先怀疑这一点而不是怀疑算法跑错了。另外预览时 RGG888 的 QImage 要求每行字节数与宽度匹配numpy 切片之后再转换可能踩到 stride 陷阱表现为图像被拉伸或错位转换前尽量保证数组是 C 连续排列。5.4 FFT 去噪输出出现条纹或黑块频谱中心化与振铃现象用 FFT 去噪后图像四角出现黑块、或者整张图出现水波纹一样的花纹。原因两个。第一个是忘了 fftshift掩膜画的位置和低频实际位置对不上把该保留的低频滤掉了更深的问题是硬截止掩膜本身就是个跳变逆变换后会在边缘附近激发出 sinc 型振铃表现为一圈圈灰阶条纹。黑块则来自逆变换后的负值被截断——它们不是真实图像内容是复数计算造成的负分量。解决fft2 后立刻 fftshift逆变换前一定 ifftshift掩膜不要画成 0/1改成半径渐变的高斯衰减。f_shift np.fft.fftshift(np.fft.fft2(img.astype(np.float32))) row_mask np.exp(-((grid_col - ccol)**2 (grid_row - crow)**2) / (2 * radius**2)) filtered np.fft.ifft2(np.fft.ifftshift(f_shift * row_mask)).real out np.clip(filtered, 0, 255).astype(np.uint8)高斯掩膜的中心保留强度为 1向外平滑衰减逆变换后的旁瓣幅度大幅降低。调半径时盯着边缘看半径太小文字周边出现一圈浅色光晕半径太大噪点没压掉。FFT 去噪从来不是“设一个大半径就万事大吉”它是在频率分辨率、噪声频谱宽度和振铃幅度三者之间做折中。如果针对彩色图做 FFT避免对三个通道分别掩膜后再合并那样容易出现彩色镶边换成 YCrCb 只处理亮度通道能省掉一半以上的细节烦恼。5.5 双边滤波边缘全糊sigma_color 设置过大现象双边滤波设了大参数结果输出和普通高斯模糊几乎一样边缘完全消失。原因sigma_color 的值超过了图像中边缘两侧的灰度差。8 位图边缘差通常 50 到 150sigma_color 被设到 200 以上时灰度核的 exp(-(I(p)-I(q))²/(2σ²)) 几乎恒为 1值域核等于失效剩下的就只有空间核——双边滤波退化成高斯滤波。解决sigma_color 应该和图像动态范围挂钩。对 8 位图从 10 开始以 5 到 20 的步长尝试sigma_space 控制的是邻居半径通常保持在 sigma_color 的 1 到 2 倍之间。经验法则是“噪声大到看不见边缘时sigma_color 才考虑超过 50”一旦边缘开始糊说明已经越过临界点往回退 10 个值比盲目加大 d 更有效。6. 设计取舍先验假设、计算复杂度与参数标定把六类去噪方法放在一起看其实是一条“先验假设”的演进线高斯滤波假设噪声平滑、局部线性中值滤波假设噪声是极值异常FFT 假设信息集中在低频双边滤波加入灰度相似性假设NLMeans 把相似性推广到非局部深度学习则直接把先验交给数据。没有哪个假设永远正确这就是为什么一份好的去噪资源必须同时给出多个算法而不是吹嘘某一种“万能”。从实现角度计算复杂度决定了它能不能塞进实时的 UI算法时间增长趋势核心先验主要风险高斯滤波随核面积增长邻域平滑边缘被抹中值滤波随窗口面积增长异常值稀疏细线变小FFT 去噪接近线性对数频谱能量集中振铃、半径难定双边滤波随核面积增长空间灰度相似sigma 失衡退化NLMeans随两个窗口面积乘积增长非局部自相似计算量大、纹理被磨深度学习推理开销取决于网络规模数据先验数据依赖、算力门槛这张表给选型提供的是“后悔药”先估噪点类型再查表格选算法族而不是凭感觉试。一个清晰的经验是——椒盐噪声直接中值均匀细腻的颗粒先试高斯、再试双边低频内容多、噪声铺满全图时考虑 FFT追求最高质量且不在乎等待时间时上 NLMeans批量处理低照度图才值得评估深度学习路线。这套资源把算法和 PyQt5 界面绑在一起深层原因也在这里参数调节本身就是先验校准的过程。你在 UI 上拖 sigma_color 的滑块实际是在用肉眼搜索这张图“边缘对比度”的先验值这比在黑屏终端里改配置文件快了一个数量级。多个算法共用同一套图像显示、保存通道才能保证你在 A 算法上调好的显示效果不会因为 B 算法的中间格式而翻车。从那以后我拿到任何一张带噪声的图第一件事永远是判断噪点类型再决定用哪一族算法而不是直接套一个“看起来最强大”的滤波器这个习惯让我的图像处理 Demo 少走了大量弯路希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
