机器视觉基础2026-7-20更新

计算机视觉理伦其实不难，主要是大部份文档都 是针对你是专业计算机的人，所以术语太多

图像处理第一课：不用任何公式推导，用 25 个格子讲透滤波、边缘检测与傅里叶变换，来快速理解机器视觉

摘要：均值滤波、高斯滤波、中值滤波、边缘检测、二阶导数、傅里叶变换……这些名词劝退了无数初学者。本文不推导任何公式，只用加法、除法、排队三件小学数学的事，配合一张张手算示例，把图像处理最核心的一组概念从头到尾讲明白。全文约 4000 字，阅读需要 15 分钟。

写在前面

打开任何一门计算机视觉或数字图像处理的课程，前几章大概率会出现这些内容：滤波、卷积、一阶导数、二阶导数、傅里叶变换。教科书习惯从定义和公式讲起，而初学者真正需要的往往是先建立直觉：这些东西到底在对图片做什么操作？

这篇文章换一个讲法。我们把图片还原成它最本质的样子——一张数字表格，然后拿一个 3×3 的小窗口在表格上滑来滑去，把每一种操作都亲手算一遍。算完之后你会发现：所谓滤波、边缘检测、频域处理，全都是对格子里的数字做加减乘除。

这篇文章适合谁：

• 刚接触机器视觉 / 计算机视觉，被术语吓住的同学；
• 会用 OpenCV 调函数，但没想过函数内部在干嘛的开发者；
• 任何对"美颜、锐化、降噪是怎么实现的"感到好奇的人。

阅读前提：会加法、会除法、会把几个数从小到大排队。

---

0. 先建立一个画面：图片就是一张数字表格

一张黑白图片，在计算机眼里就是一张表格。每个格子叫一个像素，填一个 0~255 的整数：0 是纯黑，255 是纯白，中间是深浅不同的灰。

本文全程使用同一张 5×5 的"实验照片"：一片灰色（10），正中央有一个很亮的点（100）。你可以把它想象成脸上的一颗痘，或者照片上的一个噪点：

Text

 

10  10  10  10  10
10  10  10  10  10
10  10 100  10  10
10  10  10  10  10
10  10  10  10  10

工具也只有一个：一个 3×3 的小窗口（教材里叫它"模板"或"卷积核"）。把窗口扣在表格上，中心对准哪个格子，就处理哪个格子。下面所有操作，区别只在于"窗口里这 9 个数按什么规则合成一个新值"。

---

1. 均值滤波：最朴素的"磨皮"

规则：把窗口罩住的 9 个数加起来除以 9，得数写进一张空白的"结果图"。

窗口从左上角开始，中心对准第 2 行第 2 列：

Text

 

罩住的 9 个数：
10  10  10
10  10  10        ← 窗口右下角罩住了那个 100
10  10 [100]

10+10+10+10+10+10+10+10+100 = 180
180 ÷ 9 = 20    →  结果图第 2 行第 2 列写上 20

窗口向右挪一格，中心对准第 2 行第 3 列：

Text

 

10  10  10
10  10  10        ← 100 仍在窗口里（正下方）
10 [100] 10

还是 8 个 10 + 1 个 100 = 180  →  180 ÷ 9 = 20

继续挪动会发现：9 个可处理的位置，每个窗口都恰好罩住那个 100，所以每个位置算出来全是 20。全部滑完，结果图如下：

Text

 

·   ·   ·   ·   ·        （最外一圈窗口伸不出去，暂不处理）
·  20  20  20   ·
·  20  20  20   ·
·  20  20  20   ·
·   ·   ·   ·   ·

结果说明了什么： 原本只有 1 格的亮点 100，变成了一片 3×3 的亮斑 20。噪点没有被消灭，而是被"摊开、稀释"了。这就是磨皮的最基本原理——把脸上突兀的点和周围皮肤平均掉；同时也是均值滤波让整张图变模糊的原因。

为什么除以 9？因为 9 个数取平均。如果不除，整张图会整体变亮 9 倍，画面就失真了。

---

2. 中值滤波：排队取中间，噪点克星

规则：把窗口里的 9 个数从小到大排队，站正中间（第 5 个）的数当新值。

还是第一个窗口，9 个数排队：

Text

 

10  10  10  10 [10] 10  10  10  100
                ↑ 第 5 个 = 10

那个刺眼的 100 去哪了？它永远排在队尾，永远轮不到站中间。 每个窗口都是"8 个 10 + 1 个 100"，第 5 个永远是 10。滑完的结果图：

Text

 

·   ·   ·   ·   ·
·  10  10  10   ·
·  10  10  10   ·      ← 噪点彻底消失，一点痕迹都没留
·  10  10  10   ·
·   ·   ·   ·   ·

对比前两关： 均值是"稀释"（100 被摊成一片 20），中值是"扔掉"（100 直接消失）。所以面对"椒盐噪声"（照片上撒满纯黑纯白点，像撒了盐和胡椒）这类极端噪点，中值滤波是公认的克星——极端值在排队里永远站两头，影响不到中间。

---

3. 高斯滤波：偏心版平均，美颜相机的选择

均值滤波对 9 个数一视同仁，下手太狠，容易把整张图糊掉。高斯滤波只做了一点改进：还是求平均，但每个数先乘一个"话语权"——离窗口中心越近，权重越大。 权重表如下（"高斯"只是这个权重分配方式的名字）：

Text

 

1  2  1
2  4  2        全部加起来 = 16
1  2  1

把窗口中心对准噪点（第 3 行第 3 列），完整算一遍：

Text

 

10×1  10×2  10×1
10×2 100×4  10×2
10×1  10×2  10×1

= 10 + 20 + 10 + 20 + 400 + 20 + 10 + 20 + 10
= 520
520 ÷ 16 = 32.5

除以 16 是因为权重总和是 16，道理和上一节除以 9 完全相同：保持整体亮度不变。

三种平滑方式同台对比，同一个噪点 100：

表格

 

 

规则	100 变成了	一句话点评
均值滤波	20	一视同仁，稀释最狠，容易把整图糊掉
高斯滤波	32.5	偏心平均，中心保留得多，糊得更自然
中值滤波	10	排队扔掉，噪点克星

高斯滤波还有个"好脾气"：对平坦区域完全不动手。 验证一下——若窗口里全是 10：加权和 = 10×16 = 160，÷16 = 10，原样奉还。这就是为什么美颜算法普遍选它：好皮肤一点不碰，只对突兀的地方温柔下手。

---

4. 最大值 / 最小值滤波：一句话就能讲完

同一张图，规则换成"取窗口里最大（或最小）的数"：

• 最大值滤波：每个窗口都罩住了 100，于是每格都变成 100 → 亮点从 1 格"长大"成 3×3；
• 最小值滤波：每个窗口里都有 10，于是全变 10 → 亮点被吃掉。

实际用途：想去除黑色小点用最大值滤波，想去除白色小点用最小值滤波。就这么简单。

---

5. 边缘检测（一阶差分）：用减法找"台阶"

先回答一个根本问题：边缘是什么？ 边缘就是颜色突变的地方。黑桌子边上突然变成白墙，那条分界线就是边缘。

看一行像素（一条竖边的横截面）：

Text

 

20   20   20 │ 90   90   90
              ↑ 这里从 20 突然跳到 90，就是边缘

规则（一阶差分）：每个格子，用右边的数减左边的数。 逐格计算：

Text

 

20 − 20 = 0
20 − 20 = 0
90 − 20 = 70    ← 冒出个大数！
90 − 90 = 0
90 − 90 = 0

差分结果：  0    0    70    0    0

规律一目了然：平坦的地方减出来全是 0，只有突变处冒出大数。差分大的地方就是边缘。 教材里说的"一阶导数""梯度"，本质就是这个减法，没有更多内容了。

打个比方：数字是地面高度，差分是你每一步抬脚的高度。平地上每步抬 0，走到台阶前一脚要抬 70——抬脚猛地变高，说明到台阶了。

一个巨大的陷阱：噪点会冒充边缘

如果这行像素里混进一个噪点：

Text

 

原数：  20   20  100   20   20   20
差分：       0    80   −80    0    0
                  ↑     ↑
              两个"边缘"，全是假的！

一个噪点让差分报警了两次。怎么办？先做中值滤波：窗口滑一遍——[20,20,100] 排队取中间得 20；[20,100,20] 得 20；[100,20,20] 也得 20——整行变回 20，差分全部归零，假警报解除。

这就是几乎所有边缘检测流程的第一步都是"先平滑（高斯/中值），再检测"的原因：先磨皮，再找边，否则噪点会冒充边缘。 大名鼎鼎的 Canny 算子那一整套流程（灰度化 → 高斯模糊 → 计算差分 → 筛选边缘），拆开了看，就是本文第 3 节和本节内容的组合。

---

6. 二阶差分：把边缘精确到一个点

还是那条干净的台阶，把刚才的差分结果再做一遍同样的减法：

Text

 

原数：    20   20   20   90   90   90
一阶差分：      0    0   70    0    0
二阶差分：         0   70  −70    0
                   （70−0=70，0−70=−70，0−0=0）

盯住那个 +70 紧跟着 −70：数值从正跳到负，中间跨过了 0。这个"过零点"的位置，精确地钉在台阶边缘上——这就是教材里"二阶导数过零点对应边缘"的含义。

继续用走路的比方：

• 数字 = 你的位置；
• 一阶差分 = 你每步抬多高（速度）；
• 二阶差分 = 抬脚高度的变化（加速度）。

平路上走得好好的，突然要抬 70，下一刻又不用抬了——"抬脚动作猛变"这件事本身，就暴露了台阶的位置。

为什么要费劲做二阶？一阶只能告诉你"这一段很陡"（一片区域），二阶把边缘压缩成一个精确的点，定位更准。代价是它对噪点更敏感，所以工程上总是先平滑再使用。

---

7. 锐化：原图 +（原图 − 模糊图）

锐化的公式只有一行：锐化图 = 原图 +（原图 − 模糊图）。分三步完整推一遍。

第一步：模糊。 用"3 格滑动平均"处理那行台阶：

Text

 

第 2 格：(20+20+20) ÷ 3 = 20
第 3 格：(20+20+90) ÷ 3 = 43.3
第 4 格：(20+90+90) ÷ 3 = 66.7
第 5 格：90

模糊后：20   20   43.3   66.7   90   90

第二步：相减，得到"细节"。 原图 − 模糊图：

Text

 

0    0    20−43.3 = −23.3    90−66.7 = +23.3    0    0

注意看：平坦的地方减出来是 0，减出来的正好是边缘处的"细节"——暗侧欠了 23.3，亮侧多出 23.3。

第三步：把细节加回原图：

Text

 

原图 + 细节：20   20   −3.3   113.3   90   90

对比边缘两侧：暗的从 20 被压到 −3.3（更暗），亮的从 90 被抬到 113.3（更亮）。落差从 70 拉大到了 116.6，边缘两边反差更猛，人眼就觉得"变清晰了"。

所以锐化并没有创造任何新细节，它只是夸大边缘处的反差——先找出边缘，再给它加粗加亮。这也是"原图 − 模糊图 = 细节"这个小等式值得记住的原因。

---

8. 傅里叶变换：把图像拆成一堆"波浪条纹"

这是大多数课程里最唬人的一章，其实思想非常美。先看一串只有 4 个数的"信号"：

Text

 

55   45   55   45

它可以拆成两种"成分"相加：

Text

 

成分 A（平底）：50   50   50   50
成分 B（快抖）：+5   −5   +5   −5
─────────────────────────────
加起来验算：  55   45   55   45   ✓

• 成分 A 变化慢（几乎不变），叫低频——对应图片里大片平缓的区域：天空、墙面、皮肤；
• 成分 B 每一格就翻转一次，变化极快，叫高频——对应图片里的边缘、毛发，以及噪点。

傅里叶变换就是一台"拆方子的机器"：你扔给它 55 45 55 45，它告诉你"平底放了 50，快抖放了 5"。（这个例子的拆法就是真正的傅里叶分解，一点没有缩水，只是真实图片的成分更多而已。）

拆开之后能干什么？像调均衡器一样调图片

• 磨皮：把快抖成分调成 0 → 50 50 50 50 → 画面变平滑了；
• 锐化：把快抖成分乘 3 → 65 35 65 35 → 起伏从 ±5 变成 ±15，对比更强烈。

这和第 1、7 节在空间域做的事殊途同归，但在频率域里，一切变成了"拧旋钮"。

频谱图怎么读？fftshift 是干嘛的？

在真实图片上，"波浪"变成了有方向的条纹（横条纹、竖条纹、斜条纹），频谱图上的每个点记录"这种条纹放了多少"：

• 图中心 = 慢条纹（低频）：大块平缓的画面；
• 图四周 = 快条纹（高频）：细节、边缘、噪点。

这就是为什么绝大多数照片的频谱图都是中心最亮——任何照片都是平缓区域占大头。而代码里常见的 fftshift，只是把低频成分从四个角搬到图的正中央，纯粹为了看着舒服，数据本身一个没变。

最妙的应用：如果照片上带有规律的网纹噪点，它在频谱图上就是一个孤零零的亮点——直接把那个亮点擦掉，再做逆变换拼回去，网纹就消失了。这种精准操作在原始图片上是几乎不可能完成的。

---

一张表总结全文

表格

 

 

课程名词	它真正做的事
滤波 / 模板 / 卷积	3×3 小窗口在表格上滑动，给中心格子换新值
均值滤波	9 个数相加 ÷ 9 → 磨皮，噪点被摊开
高斯滤波	乘权重再 ÷ 16 → 温柔版磨皮，平坦区域不受影响
中值滤波	排队取第 5 个 → 噪点直接扔掉
一阶导数 / 梯度	右边的数减左边的数 → 差值大的地方是边缘
二阶导数 / 过零点	对差分再减一次 → 从正跳到负的位置精确是边缘
锐化	原图 +（原图 − 模糊图）→ 夸大边缘反差
傅里叶变换	把图像拆成"慢条纹 + 快条纹"的配方
fftshift	把慢条纹挪到频谱图正中央，纯为好看

---

动手试试：20 行代码验证全文

如果你装了 Python 和 NumPy，下面这段代码会把本文第 1、2、3 节的手算结果原样打印出来：

Python

 

import numpy as np
from scipy.ndimage import median_filter, gaussian_filter

# 本文的 5×5 实验图
img = np.full((5, 5), 10.0)
img[2, 2] = 100

# 均值滤波（3×3）
mean_out = np.zeros_like(img)
for i in range(1, 4):
    for j in range(1, 4):
        mean_out[i, j] = img[i-1:i+2, j-1:j+2].mean()
print("均值滤波结果:\n", mean_out[1:4, 1:4])   # 全是 20

# 高斯滤波（近似本文的 1-2-1 权重）
w = np.array([[1, 2, 1], [2, 4, 2], [1, 2, 1]])
gauss = (img[1:4, 1:4] * w).sum() / 16
print("高斯滤波（中心格）:", gauss)            # 32.5

# 中值滤波
med = median_filter(img, size=3, mode='constant')
print("中值滤波结果:\n", med[1:4, 1:4])        # 全是 10

跑一遍，对照正文的手算结果，我们就过多成就完成了一次"从直觉到代码"的闭环。

结语

图像处理并没有想象中那么高深：滤波是给格子里的数换值，边缘检测是相邻两数相减，锐化是把减出来的细节加回去，傅里叶变换是把图像拆成条纹的配方。建立了这层直觉之后，再回头去看教科书上的公式，你会发现每个符号都对应着你亲手算过的某一步。

后续如果想继续深入，建议的顺序是：卷积的完整定义 → Sobel / Prewitt 算子 → 拉普拉斯算子 → Canny 边缘检测完整流程 → 二维离散傅里叶变换的数学表达。每一步都只是在本文内容上添一小块砖。

如果这篇文章帮到了你，欢迎在评论区留下你手算时卡住的地方，我们一起把它拆开。