4. 图像预处理：直方图均衡化、高斯滤波与中值滤波、边缘检测（Sobel/Canny）

图像预处理，说白了就是给原始图像“洗个澡、化个妆”。

在立体视觉系统里，这一步直接决定了后续匹配的成败。我见过太多项目，算法选得再好，预处理没做好，结果就是一团糟。

今天咱们就聊聊四个核心操作：直方图均衡化、高斯滤波、中值滤波，还有边缘检测。嗯，一个一个来。

4.1 直方图均衡化：让暗部亮起来

你想想看，如果一张图整体偏暗，或者对比度极低，立体匹配基本就废了。为什么？因为特征点太少，找不到对应关系。

直方图均衡化就是干这个的。它把像素值的分布拉得更均匀，让暗的地方变亮，亮的地方不至于过曝。

我在项目中遇到过这种情况：一个室内场景，光照不均匀，左边亮右边暗。直接做立体匹配，右边区域几乎全是误匹配。用了直方图均衡化之后，效果立竿见影。

// C++ 示例：直方图均衡化
cv::Mat src = cv::imread("left.png", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::equalizeHist(src, dst);

4.2 高斯滤波：平滑噪声，保留边缘

高斯滤波是我最常用的平滑手段。它不像均值滤波那样“一刀切”，而是根据像素距离中心的远近，赋予不同的权重。

说白了，离中心越近的像素，贡献越大；越远的，贡献越小。这个权重分布，就是高斯函数。

// C++ 示例：高斯滤波
cv::Mat blurred;
cv::GaussianBlur(src, blurred, cv::Size(5, 5), 1.5);

参数 cv::Size(5, 5) 是核大小，1.5 是标准差。核越大，平滑越强，但边缘也会越模糊。

高斯滤波特别适合处理高斯噪声。什么是高斯噪声？就是那种在图像上随机分布、亮度变化平缓的噪点。比如传感器热噪声。

4.3 中值滤波：干掉椒盐噪声

中值滤波的思路很简单：把窗口内的像素排序，取中间值代替中心像素。

它对付椒盐噪声特别有效。什么是椒盐噪声？就是图像上随机出现的黑白点，像撒了盐和胡椒一样。

// C++ 示例：中值滤波
cv::Mat median;
cv::medianBlur(src, median, 5);

参数 5 是窗口大小，同样必须是奇数。

中值滤波的优点是能很好地保留边缘。因为它不取平均，而是取中间值，所以边缘不会像高斯滤波那样被模糊掉。

4.4 边缘检测：Sobel 与 Canny

边缘检测是立体视觉里最关键的一步。为什么？因为边缘是图像中信息最丰富的区域，也是立体匹配最可靠的依据。

4.4.1 Sobel 算子

Sobel 算子是一种基于一阶导数的边缘检测方法。它通过计算图像在 x 方向和 y 方向上的梯度，来找到边缘。

// C++ 示例：Sobel 边缘检测
cv::Mat grad_x, grad_y, grad;
cv::Sobel(src, grad_x, CV_16S, 1, 0, 3);
cv::Sobel(src, grad_y, CV_16S, 0, 1, 3);
cv::convertScaleAbs(grad_x, grad_x);
cv::convertScaleAbs(grad_y, grad_y);
cv::addWeighted(grad_x, 0.5, grad_y, 0.5, 0, grad);

参数 1, 0 表示计算 x 方向梯度，0, 1 表示 y 方向。最后用 addWeighted 把两个方向合并。

4.4.2 Canny 边缘检测

Canny 是目前最主流的边缘检测算法。它比 Sobel 复杂，但效果也更好。

它的流程大致是：

1. 高斯滤波去噪
2. 计算梯度幅值和方向
3. 非极大值抑制（只保留梯度方向上的局部最大值）
4. 双阈值检测（高阈值确定强边缘，低阈值连接弱边缘）

// C++ 示例：Canny 边缘检测
cv::Mat edges;
cv::Canny(src, edges, 50, 150);

参数 50 是低阈值，150 是高阈值。这两个值需要根据图像内容调整。

你想想看，Canny 为什么比 Sobel 好？因为它做了非极大值抑制，边缘更细、更干净。而且双阈值机制能有效抑制噪声产生的伪边缘。

4.5 知识体系总览

下面这张图，是我自己整理的预处理流程。你看一眼，心里就有数了。

这张图展示了预处理的标准流程：原始图像 → 直方图均衡化 → 滤波（高斯或中值） → 边缘检测 → 输出结果。

好了，这一章的内容就到这里。预处理是立体视觉的基石，花时间把它做好，后面的匹配和重建会轻松很多。

---

公众号:蓝海资料掘金营，微信deep3321