第一章 图像预处理：让机器人的眼睛看清世界
各位同学，欢迎来到《双目视觉在机器人避障中的应用》课程。
我是你们的老朋友，一个在机器人视觉和SLAM领域摸爬滚打多年的工程师。今天咱们正式开始第一讲：图像预处理。
你想想看，机器人要避障，首先得“看见”障碍物吧？但摄像头直接拍回来的原始图像，就像没擦干净的眼镜——全是噪点、光线不均、颜色杂乱。机器要是直接拿这种图去算深度、做避障，那结果肯定惨不忍睹。我当年刚入行时，就吃过这个亏，以为算法牛逼就行，结果预处理没做好，后面全白搭。
核心观点：图像预处理不是可选项，而是必选项。它决定了后续所有算法的上限。
好，废话不多说。咱们直接进入正题，看看预处理到底要做哪几件事。
1.1 图像灰度化：扔掉颜色，保留结构
双目视觉里，我们最关心的是物体的轮廓和纹理，而不是它是什么颜色。彩色图像每个像素有RGB三个通道，数据量是灰度图的三倍。处理起来慢，而且颜色信息对避障来说基本没用。
为什么要灰度化？
- 减少计算量：三通道变单通道，速度翻倍。
- 消除光照干扰：不同颜色的物体在灰度下只反映亮度，更稳定。
- 为后续算法做准备：边缘检测、特征匹配等算法大多基于灰度图。
灰度化的公式其实很简单，就是加权平均：
Gray = 0.299 * R + 0.587 * G + 0.114 * B这个权重是模拟人眼对颜色的敏感度。绿色最敏感，权重最高；蓝色最不敏感，权重最低。嗯，这里要注意，有些偷懒的库直接用平均值，效果会差一些。我个人习惯用OpenCV的 cv2.cvtColor()，它默认就是这个加权公式。
我的经验：在嵌入式平台上，如果CPU资源紧张，可以用整数运算代替浮点：Gray = (77*R + 150*G + 29*B) >> 8。速度能快不少。
1.2 直方图均衡化：让暗处也能看清
灰度化之后，图像可能整体偏暗或偏亮。比如机器人在地下室或者强光下，细节全丢了。这时候就需要直方图均衡化。
说白了，就是把像素值的分布“拉平”。原来集中在暗区的像素，被拉伸到整个0-255范围。这样暗处的纹理就显现出来了。
效果对比：
| 处理前 | 处理后 |
|---|---|
| 直方图集中在低灰度区 | 直方图均匀分布 |
| 暗部细节丢失 | 暗部细节清晰可见 |
| 对比度低 | 对比度增强 |
代码实现也很简单：
import cv2
img = cv2.imread('image.jpg', 0) # 以灰度图读取
equ = cv2.equalizeHist(img) # 直方图均衡化避坑指南：我曾经在户外场景直接对整图做均衡化，结果天空过曝，地面细节反而没了。后来改用CLAHE（对比度受限自适应直方图均衡化），效果就好多了。CLAHE只对局部区域做均衡化，不会放大噪声。
1.3 高斯滤波：温柔的降噪
图像里总有些随机噪点，比如传感器热噪声、光照闪烁。这些噪点如果不处理，后续边缘检测会检测出一堆假边缘。
高斯滤波是一种线性平滑滤波器。它用高斯核与图像做卷积，每个像素的值被周围像素的加权平均替代。权重由高斯分布决定——离中心越近，权重越大。
为什么用高斯？
- 它模拟了自然界中噪声的分布（很多噪声是高斯分布的）。
- 它比均值滤波更平滑，同时保留更多边缘信息。
核大小和标准差是关键参数。核越大，平滑效果越强，但细节丢失也越多。我一般用5x5的核，标准差取1.0，算是个折中。
blur = cv2.GaussianBlur(img, (5, 5), 1.0)小技巧：在嵌入式设备上，如果实时性要求高，可以用分离的高斯滤波（先水平再垂直），速度能提升不少。OpenCV默认就是这么干的。
1.4 中值滤波：暴力去噪，专治椒盐
高斯滤波对付高斯噪声很有效，但遇到“椒盐噪声”（黑白点）就力不从心了。这时候需要中值滤波。
中值滤波的原理很简单：把像素邻域内的所有值排序，取中间值作为新像素值。椒盐噪声要么是极大值（白点），要么是极小值（黑点），排序后肯定被排到两端，中间值自然就是正常像素。
适用场景：
- 摄像头传感器坏点
- 传输过程中的丢包噪声
- 激光雷达点云投影到图像后的离群点
median = cv2.medianBlur(img, 5) # 5x5邻域注意：中值滤波计算量比高斯滤波大，尤其是核尺寸大的时候。在实时系统中，我一般只用3x3或5x5的核。核太大，图像会变得像油画一样，边缘全糊了。
1.5 边缘检测：找到物体的轮廓
好了，图像干净了，接下来要找到障碍物的边界。边缘检测就是干这个的。
最经典的是Canny边缘检测。它分四步：
- 高斯滤波：先降噪（前面刚讲过）。
- 计算梯度：用Sobel算子算水平和垂直方向的梯度，得到边缘强度和方向。
- 非极大值抑制：只保留梯度方向上的局部最大值，让边缘变细。
- 双阈值检测：设定高低两个阈值。高于高阈值的肯定是边缘，低于低阈值的肯定不是，介于中间的如果与高阈值边缘相连，则保留。
为什么Canny这么流行？因为它能检测出连续、单像素宽的边缘，非常适合后续的直线检测、轮廓提取。
edges = cv2.Canny(img, 50, 150) # 低阈值50，高阈值150关键参数：高阈值和低阈值的比例一般在2:1到3:1之间。我习惯用50和150。如果边缘太多（噪声多），就提高低阈值；如果边缘太少（漏检），就降低高阈值。
为什么会这样？因为低阈值控制边缘的“灵敏度”，高阈值控制边缘的“确定性”。你想想看，如果低阈值设得太低，很多噪声也会被当成边缘；设得太高，真正的弱边缘就丢了。
知识体系总览
为了让你对整个预处理流程有个全局认识，我画了张图：
从这张图你可以看到，预处理是一个流水线：原始图像 → 灰度化 → 直方图均衡化 → 滤波（高斯或中值，根据噪声类型选择） → 边缘检测。每一步的输出都是下一步的输入，环环相扣。
总结一下：图像预处理不是花架子，它是机器人避障的基石。灰度化减负，直方图均衡化提亮，高斯滤波去噪，中值滤波除椒盐，Canny边缘检测找轮廓。每一步都有它的道理，缺一不可。
好了，第一章就到这里。记住，预处理做得好，后面的立体匹配和避障算法才能发挥出真正的实力。别嫌麻烦，多调调参数，多看看效果图。我当年就是靠着一遍遍调参，才摸清了每个算法的脾气。