4、图像预处理技术：去马赛克、白平衡校正、伽马校正、直方图均衡化
各位同学，咱们今天聊点实在的。低光照环境下，传感器拿到的原始数据，说白了就是一堆「半成品」。你直接拿它去识别、去分析，效果肯定惨不忍睹。我做了这么多年图像处理，最深的体会就是：预处理做得好，后面省心一大半。
这一节，我带你过一遍四个最核心的预处理步骤。它们就像做菜前的「洗、切、腌」，缺一不可。
核心逻辑图： 从RAW数据到可用图像的流水线
4.1 去马赛克：从「黑白格子」到「彩色世界」
你想想看，CMOS传感器本身是色盲的。它只能感知光的强度，分不清红绿蓝。那彩色照片怎么来的？靠的是传感器前面那层「马赛克滤镜」——最常见的就是Bayer阵列。
每个像素只采集一种颜色（R、G或B），剩下的两种颜色靠猜。这个「猜」的过程，就是去马赛克。
常用的方法有几种：
- 双线性插值：最简单，取周围相邻像素的平均值。速度快，但边缘容易糊。我在早期一个安防项目里用过，晚上监控画面全是锯齿，后来果断换了。
- 边缘导向插值：先判断边缘方向，再沿着边缘插值。效果比双线性好不少，但计算量翻倍。
- 基于深度学习的去马赛克：近几年的趋势。用CNN直接端到端恢复全彩图像。低光照下效果尤其好，但需要硬件支持。
我的经验： 低光照场景下，我建议优先考虑边缘导向插值。深度学习虽然强，但功耗和延迟在嵌入式设备上是个坎。别为了追求极致画质把帧率搞丢了。
4.2 白平衡校正：让「白色」回归白色
你有没有发现，在暖色灯光下拍的照片，整体偏黄？在阴天拍的照片，又偏蓝？这就是色温捣的鬼。
白平衡校正的目的，就是让图像中原本是白色的物体，在任意光源下都显示为白色。说白了，就是给RGB三个通道分别乘一个系数，把色温拉回来。
常见的白平衡算法：
| 算法 | 原理 | 适用场景 |
|---|---|---|
| 灰度世界法 | 假设场景平均颜色为灰色 | 色彩丰富的场景 |
| 完美反射法 | 假设最亮像素为白色 | 有高光区域的场景 |
| 色温估计法 | 基于色温曲线查表 | 已知光源类型 |
注意： 低光照环境下，灰度世界法容易翻车。因为暗部噪声大，平均颜色可能偏绿或偏紫。我曾经在一个夜间停车场项目里踩过这个坑，后来改用色温估计法+手动微调才搞定。
4.3 伽马校正：人眼不是线性传感器
人眼对暗部细节的敏感度远高于亮部。但摄像头传感器是线性的——它忠实记录光子数量。这就导致一个问题：直接显示线性数据，暗部看起来一片漆黑，亮部却过曝。
伽马校正就是解决这个矛盾的。它用一个幂函数把线性数据映射到人眼更舒服的非线性空间。
标准公式很简单：
V_out = V_in ^ (1 / γ)其中γ通常取2.2。这是显示行业的标准值。
低光照下的特殊处理：
- 如果场景整体偏暗，可以适当降低γ值（比如1.8），让暗部更亮一些。
- 但要注意：降低γ值会放大暗部噪声。我一般会配合后面的去噪步骤一起做。
一个小技巧： 伽马校正最好在去马赛克和白平衡之后做。因为这两个步骤都是线性操作，先做伽马会破坏线性关系，导致颜色失真。嗯，顺序很重要。
4.4 直方图均衡化：把对比度「拉」出来
低光照图像最典型的问题是什么？对比度低。直方图均衡化就是用来解决这个的。它通过重新分布像素灰度值，让直方图从「挤在一起」变成「均匀分布」。
效果立竿见影：暗部变亮，亮部变暗，细节全出来了。
但要注意几个坑：
- 全局均衡化：简单粗暴，但容易把噪声也放大。我见过有人把一张噪点图均衡化后，噪点比信号还明显。
- 自适应直方图均衡化（AHE）：分块处理，效果更好。但计算量大，而且块与块之间可能有接缝。
- 限制对比度自适应直方图均衡化（CLAHE）：在AHE基础上加了对比度限制，防止噪声过度放大。这是我最推荐的低光照处理方案。
代码实现其实不复杂，OpenCV里直接有函数：
import cv2
import numpy as np
# 读取低光照图像
img = cv2.imread('low_light.jpg', 0)
# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
# 应用CLAHE
enhanced = clahe.apply(img)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('CLAHE', enhanced)
cv2.waitKey(0)总结一下： 这四个步骤环环相扣。去马赛克解决颜色缺失，白平衡解决色温偏差，伽马校正解决人眼感知差异，直方图均衡化解决对比度不足。少一步，效果都会打折扣。
我个人习惯在低光照项目里，把CLAHE放在最后一步。因为它对噪声敏感，前面三步把图像质量提上来后，CLAHE才能发挥最大作用。你想想看，如果前面噪声一堆，均衡化后岂不是雪上加霜？