第四章 图像预处理基础：灰度化与直方图均衡化、图像滤波与去噪、图像增强技术
各位同学，欢迎来到第四章。说实话，图像预处理这步，在深空探测里往往是最容易被忽视的。很多人一上来就搞特征提取、匹配定位，结果发现效果一塌糊涂。我当年刚入行时也犯过这个错——拿到一张火星表面的图像，直接跑SIFT算法，结果匹配点全是噪声。后来才明白，预处理没做好，后面全是白搭。
这一章，我们就来聊聊图像预处理的三个基本功：灰度化与直方图均衡化、图像滤波与去噪、图像增强技术。这些方法看似基础，但在深空探测场景下，每个都有它的特殊讲究。
4.1 灰度化：从彩色到单通道的取舍
深空探测器拍回来的图像，很多是彩色的。但说实话，在导航任务里，我们往往不需要颜色信息。为什么？因为颜色对光照变化太敏感了。同一个陨石坑，早晨和傍晚拍出来颜色完全不同，但灰度值分布相对稳定。
灰度化就是把RGB三通道转成单通道。常用的方法有三种：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| 平均值法 | Gray = (R+G+B)/3 | 简单快速，但丢失细节 |
| 加权平均法 | Gray = 0.299R + 0.587G + 0.114B | 符合人眼感知，最常用 |
| 最大值法 | Gray = max(R,G,B) | 保留高亮区域，适合星点提取 |
我个人习惯用加权平均法。不过要注意，在深空探测中，如果图像来自红外或紫外波段，那本身就是单通道的，不需要灰度化。嗯，这个别搞混了。
4.2 直方图均衡化：让暗部细节现形
深空图像有个特点——动态范围特别大。亮的地方（比如恒星）很亮，暗的地方（比如深空背景）很暗。直接看的话，暗部细节基本是黑的。直方图均衡化就是来解决这个问题的。
它的核心思想很简单：把像素值的分布拉平。原本集中在低灰度区的像素，会被映射到更宽的区间。说白了，就是让暗的地方亮起来，亮的地方暗下去，整体对比度更均匀。
import cv2
import numpy as np
# 读取灰度图像
img = cv2.imread('mars_crater.jpg', cv2.IMREAD_GRAYSCALE)
# 直方图均衡化
equ = cv2.equalizeHist(img)
# 对比显示
result = np.hstack((img, equ))
cv2.imshow('Original vs Equalized', result)
cv2.waitKey(0)
这段代码很简单，但实际项目中我踩过坑。有一次处理木星卫星的图像，直方图均衡化后反而出现了很多伪影。后来发现，是因为图像中有大面积的纯黑背景，均衡化把背景噪声也放大了。
4.3 图像滤波与去噪：跟噪声说再见
深空探测器的图像传感器，长期暴露在宇宙射线中。你想想看，高能粒子直接轰击CMOS，会产生什么？椒盐噪声、高斯噪声、甚至条纹噪声。滤波去噪是预处理里最关键的环节之一。
常用的滤波方法有这些：
- 均值滤波： 简单粗暴，但会模糊边缘。适合去除高斯噪声。
- 高斯滤波： 加权平均，中心权重高。效果比均值好一点。
- 中值滤波： 取邻域中值。对椒盐噪声效果极好，而且能保留边缘。
- 双边滤波： 同时考虑空间距离和像素差异。保边去噪，但计算慢。
我个人在深空项目中，最常用的是中值滤波。为什么？因为宇宙射线产生的椒盐噪声太典型了。中值滤波几乎能完美去除这些孤立噪点，而且不会模糊陨石坑的边缘。
# 中值滤波示例
denoised = cv2.medianBlur(img, 5) # 5x5邻域
# 高斯滤波示例
gaussian = cv2.GaussianBlur(img, (5,5), 1.0)
# 双边滤波示例
bilateral = cv2.bilateralFilter(img, 9, 75, 75)
4.4 图像增强技术：让特征更明显
去噪之后，图像干净了，但可能还是不够清晰。这时候就需要图像增强。增强不是增加信息，而是让已有的信息更容易被算法识别。
常用的增强方法包括：
- 伽马校正： 调整图像亮度曲线。伽马值小于1，暗部变亮；大于1，亮部变暗。
- 拉普拉斯锐化： 增强边缘和细节。适合陨石坑、岩石边缘的提取。
- CLAHE（限制对比度自适应直方图均衡化）： 直方图均衡化的升级版，避免噪声放大。
- Unsharp Mask： 经典锐化方法，效果稳定。
我记得有一次处理小行星表面的图像，目标是要提取岩石轮廓。直接用原始图像做边缘检测，效果很差。后来用了CLAHE + 拉普拉斯锐化组合，岩石边缘一下就清晰了。
# CLAHE 增强
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
enhanced = clahe.apply(denoised)
# 拉普拉斯锐化
laplacian = cv2.Laplacian(enhanced, cv2.CV_64F)
sharpened = cv2.addWeighted(enhanced, 1.5, laplacian, -0.5, 0)
4.5 实战流程：从原始图像到预处理完成
好了，理论讲完了。我们来看看一个完整的预处理流程应该怎么做。这是我个人在项目中总结出来的步骤：
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 灰度化 | 如果是彩色图像，转为单通道 |
| 2 | 中值滤波去噪 | 去除宇宙射线产生的椒盐噪声 |
| 3 | CLAHE增强 | 提升局部对比度，突出细节 |
| 4 | 拉普拉斯锐化 | 增强边缘，便于后续特征提取 |
| 5 | 伽马校正（可选） | 根据光照条件微调亮度 |
这个流程不是死的。你想想看，如果图像本身噪声很小，那中值滤波的核就可以小一点。如果图像已经很清晰了，锐化步骤甚至可以跳过。关键是要根据实际情况灵活调整。
嗯，这一章的内容就到这里。预处理是图像处理的地基，地基打不好，后面盖什么楼都容易塌。希望你们在实际项目中，能把这些方法用对、用好。
公众号:蓝海资料掘金营，微信deep3321