4. 图像预处理：直方图均衡化、高斯滤波、中值滤波、Sobel/Canny边缘检测在立体匹配中的作用
立体匹配这事儿，说白了就是给左右两张图找对应点。但现实中的图像哪有那么干净？光照不均、噪声干扰、纹理模糊……这些问题不解决，匹配结果就是一坨浆糊。所以预处理这一步，我从来不敢跳过。
今天咱们就聊聊几个最常用的预处理手段：直方图均衡化、高斯滤波、中值滤波，还有Sobel和Canny边缘检测。它们各自解决什么问题？在立体匹配里到底怎么用？我结合自己的项目经验，给你掰扯清楚。
4.1 直方图均衡化：让暗部细节“浮出水面”
先问个问题：你拍过那种光线很暗的照片吗？整张图灰蒙蒙的，细节全埋在暗处。立体匹配遇到这种图，基本就废了——暗部区域像素值太接近，匹配代价算出来全是噪声。
直方图均衡化就是干这个的。它把像素值的分布拉平，让原本集中在暗部的像素扩散到整个灰度范围。效果嘛，就像把一张“曝光不足”的照片调亮了，细节全出来了。
核心原理：将原始图像的灰度直方图从集中在某个区间，变换为在整个灰度范围内均匀分布。数学上就是做一次累积分布函数（CDF）的映射。
我在一个双目视觉的测距项目里遇到过这种情况：车间里光线不均匀，左边亮右边暗。直接做SGM匹配，右边区域的视差图全是空洞。后来加了直方图均衡化，效果立竿见影——暗部的纹理信息被“挖”出来了，匹配率提升了将近30%。
不过要注意，直方图均衡化不是万能的。如果图像本身对比度已经很好，强行均衡反而会引入伪影。我建议只在光照明显不均的场景下使用。
4.2 高斯滤波：温柔的降噪方式
噪声是立体匹配的头号敌人。传感器噪声、量化噪声、环境光噪声……这些高频成分会让匹配代价函数出现大量局部极小值，导致误匹配。
高斯滤波是我最常用的降噪手段。它用高斯核做卷积，对每个像素的邻域做加权平均——离中心越近权重越大。效果就是平滑图像，同时保留边缘的“大致形状”。
为什么说它“温柔”？因为高斯核的权重是连续下降的，不像均值滤波那样一刀切。所以高斯滤波在去除噪声的同时，不会把边缘完全抹掉。
我的经验：核大小选3×3或5×5就够了，σ值一般取1.0~1.5。太大反而会把纹理细节也平滑掉，匹配时找不到特征点。
我记得有一次做户外场景的立体匹配，图像里有很多树叶的细碎纹理。高斯滤波参数没调好，σ设成了3.0，结果树叶边缘全糊了，匹配出来的视差图像一坨棉花。后来改成σ=1.2，效果才正常。
4.3 中值滤波：专治“椒盐噪声”
高斯滤波对高斯噪声效果好，但遇到椒盐噪声就抓瞎了——那些黑白点会扩散成一片模糊区域。这时候中值滤波就派上用场了。
中值滤波的原理很简单：把邻域内的像素值排序，取中间值作为输出。因为椒盐噪声的像素值要么极大要么极小，排序后肯定被挤到两端，中间值基本不受影响。
我在一个工业检测项目里用过中值滤波。摄像头采集的电路板图像上经常有随机亮点（传感器坏点），直接做立体匹配，这些亮点会被当成特征点，导致大量误匹配。中值滤波一上，坏点全没了，匹配结果干净多了。
注意：中值滤波的核大小不能太大。3×3或5×5就够了，再大就会把图像细节也“中值”掉，变成马赛克效果。
4.4 Sobel边缘检测：给匹配“画重点”
立体匹配的本质是找对应点，而边缘点往往是最容易匹配的——因为边缘处的像素值变化剧烈，匹配代价的区分度很高。
Sobel算子就是用来提取边缘的。它用两个3×3的卷积核分别计算水平和垂直方向的梯度，然后合成梯度幅值。说白了，就是找出图像中“变化剧烈”的地方。
我习惯在立体匹配前先用Sobel做一次边缘增强。具体做法是：把原始图像和Sobel梯度图按一定权重融合，这样既保留了原始纹理，又突出了边缘特征。匹配代价在边缘区域会更“尖锐”，不容易陷入局部最优。
实用技巧：Sobel梯度图可以直接作为匹配代价计算的输入。很多开源库（比如OpenCV的SGBM）都支持这个选项，效果比直接用原始图好不少。
4.5 Canny边缘检测：更精细的边缘提取
Sobel虽然简单，但有个问题：它对噪声敏感，而且提取出的边缘比较“粗”，有很多伪边缘。Canny算法就是来解决这个问题的。
Canny的流程是：先高斯滤波去噪，再计算梯度幅值和方向，然后做非极大值抑制（只保留梯度方向上的局部最大值），最后用双阈值检测连接边缘。这一套组合拳下来，提取出的边缘既细又准，而且噪声很少。
不过Canny也有缺点：计算量大，参数多（两个阈值）。我一般在需要高精度边缘的场景下才用Canny，比如精细的物体轮廓匹配。如果是实时性要求高的项目，我还是倾向于用Sobel。
避坑指南：我曾经在一个项目里直接用Canny边缘图做匹配，结果发现边缘太稀疏，很多区域没有边缘点，导致视差图大面积空洞。后来改成“边缘图+原始图”的混合输入，才解决了这个问题。
4.6 知识体系总览
为了让你更直观地理解这些预处理方法在立体匹配中的位置和作用，我画了一张流程图：
4.7 各方法对比总结
最后，我把这几种预处理方法的特点整理成了一张表，方便你对照选择：
| 方法 | 适用场景 | 优点 | 缺点 | 我的建议 |
|---|---|---|---|---|
| 直方图均衡化 | 光照不均、对比度低 | 提升暗部细节，简单高效 | 可能引入伪影，过度增强 | 只在光照明显不均时使用 |
| 高斯滤波 | 高斯噪声、一般降噪 | 平滑效果好，保留边缘 | 对椒盐噪声无效 | 核大小3×3~5×5，σ=1.0~1.5 |
| 中值滤波 | 椒盐噪声、传感器坏点 | 去噪不模糊边缘 | 核太大丢失细节 | 核大小3×3或5×5 |
| Sobel边缘检测 | 边缘增强、快速匹配 | 计算快，实现简单 | 边缘较粗，有伪边缘 | 适合实时场景，可融合原始图 |
| Canny边缘检测 | 高精度边缘提取 | 边缘细且准，噪声少 | 计算量大，参数多 | 适合离线处理，注意双阈值调参 |
嗯，预处理这块儿就聊到这儿。每种方法都有自己的脾气，关键是根据你的图像质量和场景需求来选。别想着一个方法打天下，灵活组合才是王道。