图像预处理：灰度化、直方图均衡化、高斯滤波、图像金字塔
做SLAM这么多年，我越来越觉得一个道理：前端特征提取的质量，七分靠预处理，三分靠算法。你想想看，如果输入图像本身就有问题——光照不均匀、噪声太大、尺度变化剧烈——再好的特征提取算法也白搭。
所以今天咱们聊聊图像预处理。这部分内容看似基础，但我在实际项目中踩过的坑，十有八九都跟预处理没做到位有关。说白了，预处理就是给后续的特征提取铺路，路铺不好，车就跑不稳。
3.1 灰度化：丢掉颜色，保留结构
大多数SLAM系统处理的是灰度图。为什么？因为颜色信息对几何定位的帮助其实有限，反而会增加计算量。我习惯在读取图像后立刻做灰度化，除非你明确需要颜色来做特殊处理（比如车道线检测）。
灰度化的方法有好几种：
- 加权平均法：最常用，公式是 Gray = 0.299R + 0.587G + 0.114B。人眼对绿色最敏感，所以绿色权重最高。
- 平均值法：简单粗暴，但效果一般，容易丢失对比度。
- 最大值法：取RGB中最大的那个，结果偏亮，不推荐。
我的经验：在ORB-SLAM中，灰度化用的是OpenCV的默认方式，也就是加权平均法。如果你自己写代码，直接用 cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY) 就行，别自己手写循环——OpenCV做了SIMD优化，比你手写的快一个数量级。
小技巧：如果你处理的是RAW图或者HDR图像，注意先做色彩校正再灰度化，否则灰度值会偏掉。
3.2 直方图均衡化：让暗处也能看见特征
直方图均衡化，说白了就是把图像的灰度分布拉平。为什么要做这个？因为SLAM经常在光照变化剧烈的场景下运行——比如从室内走到室外，或者隧道入口。这时候图像可能整体偏暗或偏亮，特征点都集中在某个灰度区间，提取效果很差。
我记得有一次做地下车库的SLAM，图像暗得几乎看不到纹理。特征点提取出来全是噪点，匹配一塌糊涂。后来加了直方图均衡化，效果立竿见影。
实现上，OpenCV提供了两种方式：
- 全局直方图均衡化：
cv::equalizeHist(gray, equalized)。简单，但可能放大噪声。 - 自适应直方图均衡化（CLAHE）：
cv::createCLAHE(clipLimit, tileGridSize)。我强烈推荐这个，它能限制对比度放大，避免噪声被过度增强。
// CLAHE 示例代码
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8, 8));
cv::Mat enhanced;
clahe->apply(gray, enhanced);注意：直方图均衡化不是万能的。如果图像本身质量很差（比如过曝或欠曝严重），均衡化后反而会出现伪影。我曾经在夜间场景吃过这个亏——均衡化后天空区域出现了明显的块状噪声，导致特征点全集中在天空上，地面反而没特征了。
3.3 高斯滤波：去噪但不模糊边缘
高斯滤波是SLAM预处理中最常用的平滑操作。它的核心思想是：用高斯核与图像做卷积，每个像素的值被邻域像素的加权平均替代，权重由高斯分布决定。
为什么要用高斯滤波而不是均值滤波？因为高斯核更符合自然图像的统计特性——离中心越近的像素，相关性越强。均值滤波会模糊边缘，而高斯滤波在去噪的同时能更好地保留边缘信息。
参数选择上，我一般这样设置：
| 场景 | 核大小 | σ（标准差） |
|---|---|---|
| 低噪声环境（室内） | 3×3 | 0.8 ~ 1.0 |
| 中等噪声（室外白天） | 5×5 | 1.0 ~ 1.5 |
| 高噪声（夜间/低光照） | 7×7 | 1.5 ~ 2.0 |
避坑指南：我曾经为了去噪把高斯核设成9×9，结果特征点数量直接砍半。因为过度平滑把纹理细节也抹掉了。记住：高斯滤波的目的是去噪，不是磨皮。核越大，丢失的细节越多。
3.4 图像金字塔：多尺度下的特征生存法则
图像金字塔是SLAM中实现尺度不变性的关键。说白了，就是生成一组不同分辨率的图像，让特征点能在不同尺度下被检测到。
为什么需要金字塔？因为相机离物体近的时候，纹理细节丰富；离远了，细节就消失了。如果没有金字塔，同一个特征点在不同距离下可能完全检测不到。
金字塔的构建方式：
- 高斯金字塔：先高斯滤波，再降采样。每一层是上一层的1/2分辨率。
- 拉普拉斯金字塔：用于图像重建，SLAM中不常用。
在ORB-SLAM中，金字塔层数默认是8层，尺度因子1.2。这意味着最顶层图像的分辨率只有底层的 (1/1.2)^7 ≈ 0.28 倍。我个人的经验是：
- 对于手持设备（手机、无人机），8层足够。
- 对于车载场景（尺度变化剧烈），建议增加到10层。
- 对于室内机器人（尺度变化小），6层就够了，还能省计算量。
// 构建高斯金字塔
std::vector<cv::Mat> pyramid;
pyramid.push_back(img); // 第0层
for (int i = 1; i < nLevels; ++i) {
cv::Mat blurred, down;
cv::GaussianBlur(pyramid[i-1], blurred, cv::Size(5,5), 1.0);
cv::resize(blurred, down, cv::Size(), 0.5, 0.5, cv::INTER_LINEAR);
pyramid.push_back(down);
}核心逻辑：图像金字塔的本质是用计算量换鲁棒性。每一层金字塔都要提取特征点，计算量是线性的。但好处是，特征点在不同尺度下都能被检测到，匹配的成功率大幅提升。
知识体系总览
下面这张图总结了图像预处理在SLAM前端中的位置和作用。你可以看到，预处理是特征提取的"前哨站"，每一环都直接影响后续的匹配质量。
嗯，到这里图像预处理的核心内容就讲完了。灰度化、直方图均衡化、高斯滤波、图像金字塔——这四个步骤环环相扣，缺一不可。我建议你在自己的SLAM系统中，把这部分做成一个独立的预处理模块，方便调试和替换。
记住一句话：预处理做得好，特征提取事半功倍；预处理做得差，后面全是坑。