高斯模糊比中值滤波更有效；因摩尔纹是高频周期性混叠，高斯模糊可平滑干涉条纹，而中值滤波对其压制有限且易致块状伪影。
OpenCV里用高斯模糊还是中值滤波去摩尔纹更有效
摩尔纹本质是图像中高频周期性干扰与传感器采样混叠的结果，单纯模糊会损失细节，而中值滤波对脉冲噪声更鲁棒但对规则条纹压制有限。实际中，cv::GaussianBlur（配合足够大的核）比cv::medianBlur更能平滑摩尔纹的干涉条纹，但必须控制好尺度——太小压不住，太大让图像发虚。
推荐组合：先用cv::GaussianBlur（ksize=5或7，sigmaX=1.0~2.5）做初步低频压制，再视情况叠加一次轻量级cv::bilateralFilter保边缘。避免直接上cv::medianBlur（尤其ksize=3），它对摩尔纹几乎无效，还容易引入块状伪影。
为什么用cv::fastNlMeansDenoising效果不稳定
cv::fastNlMeansDenoising在去随机噪点上表现好，但对摩尔纹这种结构化高频干扰容易“误判为纹理”而保留甚至增强条纹。它的参数h（滤波强度）和templateWindowSize对摩尔纹敏感度极高：
-
h设太高（如>15）→ 条纹变淡但整体模糊，文字/边缘溶解 -
h设太低（如 -
templateWindowSize=7时对细密条纹抑制弱；=21又易导致局部色块偏移
更稳妥的做法是：仅在cv::GaussianBlur预处理后，用cv::fastNlMeansDenoising（h=10, templateWindowSize=11）扫尾去残余噪点，不把它当主力。
立即学习“C++免费学习笔记（深入）”；
RGB转YUV后只对Y通道滤波是否必要
摩尔纹主要体现在亮度（Y）通道，色度（U/V）通道干扰较弱。直接对BGR三通道统一滤波，会导致色彩失真（尤其红色区域摩尔纹常伴随色偏）。正确做法是：
- 用
cv::cvtColor(img, yuv, cv::COLOR_BGR2YUV)转空间 - 分离通道：
cv::split(yuv, yuv_planes)，其中yuv_planes[0]是Y - 仅对
yuv_planes[0]调用cv::GaussianBlur或cv::bilateralFilter - 合并后转回BGR：
cv::merge(yuv_planes, yuv)→cv::cvtColor(yuv, result, cv::COLOR_YUV2BGR)
这步能显著减少色边和紫边，尤其对扫描文档、屏幕截图类图像效果明显。
fft低通滤波手动清除摩尔纹的实操门槛在哪
用cv::dft做频域滤波理论上最精准——摩尔纹在频谱中表现为离散亮斑，可定位后置零。但实际落地有三个硬伤：
- 图像需补零到2的幂次（如
cv::copyMakeBorder），否则cv::dft结果异常 - 频谱中心化（
cv::dft默认左上角为零频）必须用cv::shiftDFT或手写四象限交换，漏掉这步滤波完全失效 - 摩尔纹频点位置随拍摄角度/缩放动态变化，固定掩模（mask）泛化性差；自适应找亮点又增加计算开销
除非你明确知道摩尔纹方向与周期（比如来自固定型号LCD屏的拍照），否则优先用空域滤波。FFT方案更适合调试分析，而非生产环境实时处理。
摩尔纹去除的关键不在“多高级”，而在“分层干预”：先空域粗滤（高斯+Y通道隔离），再视需求加保边（双边）或降噪（非局部均值），FFT留作定位分析手段。参数微小变动就可能从消除条纹变成抹掉文字，调参时永远拿原始图并排对比。
