图像预处理：直方图均衡化、高斯滤波、中值滤波、Sobel边缘检测、Canny边缘检测
各位同学，欢迎来到立体匹配实战的第二课。
上一章我们聊了立体匹配的整体框架，说白了就是给左右两张图找对应点。但你想过没有——如果原始图像本身质量就很差，比如太暗、太亮、全是噪点，那匹配结果能好吗？
答案显然是否定的。所以今天这一章，我们专门来啃一啃图像预处理这块硬骨头。
核心观点：预处理做得好，匹配成功一半。这不是夸张，是我踩过无数坑后的血泪总结。
我会带大家逐一过一遍五个经典操作：直方图均衡化、高斯滤波、中值滤波、Sobel边缘检测、Canny边缘检测。每个我都会结合项目经验来讲，保证你听完就能用。
1. 直方图均衡化——让暗部亮起来
先说说直方图均衡化。这玩意儿说白了就是把图像的灰度分布「拉平」。如果一张图整体偏暗，像素都挤在低灰度区域，均衡化之后就能把对比度撑开。
我记得有一次做室外场景的立体匹配，下午四点多拍的图，左边树荫底下黑乎乎一片。直接做匹配，那区域全是误匹配。后来我加了一步直方图均衡化，效果立竿见影。
我的经验：均衡化不是万能的。如果图像本身光照均匀，强行均衡反而会引入噪声。我一般先看一眼直方图分布再决定要不要做。
import cv2
import numpy as np
# 读取灰度图
img = cv2.imread('left.png', cv2.IMREAD_GRAYSCALE)
# 全局直方图均衡化
equ = cv2.equalizeHist(img)
# 或者用CLAHE（自适应均衡化，效果更好）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(img)
cv2.imwrite('equ_left.png', equ)
cv2.imwrite('clahe_left.png', clahe_img)
看到没？CLAHE 比全局均衡化更聪明。它把图像分成小块分别处理，不会让天空过曝。我个人习惯在立体匹配前优先用 CLAHE。
2. 高斯滤波——温柔的降噪
高斯滤波，说白了就是用高斯核跟图像做卷积。每个像素的最终值由它周围像素加权平均得到，权重由高斯分布决定。
为什么要用高斯？因为自然界的噪声大多服从高斯分布。你用高斯滤波去处理高斯噪声，这叫「对症下药」。
注意：高斯滤波的核大小和标准差 σ 是关键参数。核越大，图像越模糊。我一般用 5×5 的核，σ 取 1.0 左右。太大就把边缘也抹掉了，立体匹配反而找不到特征。
# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.0)
# 也可以指定 σx 和 σy 不同
gaussian_blur2 = cv2.GaussianBlur(img, (5, 5), sigmaX=1.5, sigmaY=1.5)
你想想看，如果图像里全是传感器噪声，不做高斯滤波直接匹配，代价计算会乱成什么样？
3. 中值滤波——专治椒盐噪声
中值滤波的思路很简单：把窗口内的像素排序，取中间值作为输出。这招对付椒盐噪声特别管用。
为什么？因为椒盐噪声是极端的白点或黑点，排序后它们会跑到两端，中间值根本不受影响。
我曾经在一个工厂项目中遇到摄像头有坏点，图像上全是白点。用高斯滤波怎么调都没用，换成中值滤波，一次搞定。
# 中值滤波
median_blur = cv2.medianBlur(img, 5) # 5 是核大小，必须是奇数
避坑指南：中值滤波的核大小不要太大。3×3 或 5×5 就够了。我曾经试过 7×7，结果图像细节全没了，匹配出来的视差图跟马赛克似的。
4. Sobel边缘检测——梯度就是线索
立体匹配的本质是找对应点。而边缘，就是最明显的特征。Sobel 算子通过计算图像的一阶梯度来检测边缘。
它有两个核：一个检测水平边缘（Gx），一个检测垂直边缘（Gy）。
| 方向 | 核 | 作用 |
|---|---|---|
| 水平 (Gx) | [[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]] | 检测垂直边缘 |
| 垂直 (Gy) | [[-1, -2, -1], [0, 0, 0], [1, 2, 1]] | 检测水平边缘 |
# Sobel 边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) # 水平梯度
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) # 垂直梯度
# 计算梯度幅值
sobel_mag = np.sqrt(sobel_x**2 + sobel_y**2)
sobel_mag = np.uint8(np.clip(sobel_mag, 0, 255))
嗯，这里要注意：Sobel 对噪声敏感。所以我的习惯是——先高斯滤波，再做 Sobel。顺序不能乱。
5. Canny边缘检测——更聪明的选择
Canny 可以说是边缘检测的「天花板」了。它比 Sobel 多做了几件事：
- 去噪：先用高斯滤波平滑图像
- 计算梯度：类似 Sobel 算梯度幅值和方向
- 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：高阈值确定强边缘，低阈值连接弱边缘
说白了，Canny 把 Sobel 的「粗活」精细化了。它输出的边缘是单像素宽的，干净利落。
我的参数建议：低阈值取 50，高阈值取 150。这个比例（1:3）是我试过很多场景后觉得最通用的。如果边缘太多，就提高高阈值；如果边缘太少，就降低低阈值。
# Canny 边缘检测
edges = cv2.Canny(img, threshold1=50, threshold2=150)
# 也可以先高斯滤波再 Canny（Canny 内部自带高斯，但你可以控制参数）
blurred = cv2.GaussianBlur(img, (3, 3), 0.8)
edges_custom = cv2.Canny(blurred, 40, 120)
我记得有一次做室内场景的匹配，纹理太少，Sobel 出来的边缘断断续续。换成 Canny 之后，边缘连续性好多了，匹配成功率直接提升了 15%。
小结一下
这五个操作，各有各的定位：
- 直方图均衡化——解决光照不均
- 高斯滤波——去除高斯噪声
- 中值滤波——去除椒盐噪声
- Sobel——快速梯度计算
- Canny——高质量边缘提取
在实际项目中，我通常的流程是：先看直方图决定要不要均衡化，然后根据噪声类型选滤波，最后用 Canny 提取边缘作为匹配特征。当然，具体怎么组合，还得看你的数据长什么样。
好了，这一章的内容就到这里。预处理是立体匹配的「地基」，地基打牢了，后面的代价计算和后处理才能发挥威力。下一章我们进入核心——代价计算，到时候见。
公众号:蓝海资料掘金营，微信deep3321