4、图像数据读取与预处理：使用OpenCV读取图像、图像缩放与裁剪、色彩空间转换、直方图均衡化

各位同学，欢迎来到第四讲。今天咱们聊聊无人机巡检中最基础、也最绕不开的一步——图像数据的读取与预处理。

说实话，我刚开始做无人机巡检项目时，拿到一堆航拍图像，第一反应就是直接扔进算法里跑。结果呢？不是内存爆了，就是识别效果惨不忍睹。后来我才明白，预处理做得好，后续分析事半功倍；预处理偷了懒，后面全是坑。

这一章，我会带着大家把OpenCV这套工具用熟。你想想看，无人机一天飞下来，少说几百张图，每张图都是几千万像素。不先做点手脚，你的电脑分分钟罢工。

4.1 使用OpenCV读取图像

读取图像，听起来简单吧？就一行代码的事。但这里面的门道，我踩过的坑可不少。

OpenCV的imread()函数，默认读进来的是BGR格式。注意，不是RGB！我第一次用OpenCV显示图片时，发现颜色怪怪的，人脸变成了阿凡达。后来才反应过来——OpenCV用的是BGR通道顺序，而matplotlib显示用的是RGB。

import cv2
import matplotlib.pyplot as plt

# 读取图像，默认BGR
img = cv2.imread('drone_capture.jpg')

# 显示原始BGR图像（颜色会偏蓝）
plt.imshow(img)
plt.title('BGR图像（颜色异常）')
plt.show()

# 转换为RGB再显示
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img_rgb)
plt.title('RGB图像（颜色正常）')
plt.show()

另外，imread()的第二个参数也很关键。我常用的几个模式：

参数	含义	适用场景
cv2.IMREAD_COLOR	加载彩色图像，忽略透明度	大多数巡检场景
cv2.IMREAD_GRAYSCALE	加载为灰度图	纹理分析、边缘检测
cv2.IMREAD_UNCHANGED	保留所有通道（含Alpha）	需要透明通道时

import numpy as np

# 解决中文路径问题
def cv_imread(path):
    img_array = np.fromfile(path, dtype=np.uint8)
    img = cv2.imdecode(img_array, cv2.IMREAD_COLOR)
    return img

img = cv_imread('无人机巡检/2024-01-15/照片_01.jpg')

4.2 图像缩放与裁剪

无人机拍的照片，分辨率动不动就是4000×3000。直接处理？你的GPU会哭的。所以缩放和裁剪是预处理的重头戏。

缩放，我一般用cv2.resize()。这里有个细节：插值方法的选择。

• 缩小图像：用cv2.INTER_AREA，效果最好，不会出现锯齿
• 放大图像：用cv2.INTER_LINEAR或cv2.INTER_CUBIC，平滑度更高
• 追求速度：用cv2.INTER_NEAREST，但质量最差

# 缩放图像到指定尺寸
img_resized = cv2.resize(img, (640, 480), interpolation=cv2.INTER_AREA)

# 按比例缩放（保持宽高比）
height, width = img.shape[:2]
scale = 0.5  # 缩小一半
new_width = int(width * scale)
new_height = int(height * scale)
img_scaled = cv2.resize(img, (new_width, new_height), interpolation=cv2.INTER_AREA)

裁剪就更直接了。OpenCV里裁剪就是数组切片操作。我在项目中经常需要从大图中提取感兴趣区域（ROI），比如只保留输电塔的部分。

# 裁剪ROI：y1:y2, x1:x2
roi = img[200:800, 300:1000]  # 提取从(300,200)到(1000,800)的区域

# 显示裁剪结果
cv2.imshow('ROI', roi)
cv2.waitKey(0)

4.3 色彩空间转换

色彩空间转换，说白了就是把图像从一种颜色表示方式变成另一种。为什么需要这个？因为不同的任务对颜色敏感度不一样。

举个例子：无人机巡检中检测绝缘子表面的污秽，用BGR空间很难区分，但转到HSV空间后，色调和饱和度信息就能把污秽区域凸显出来。

常用的转换：

# BGR转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# BGR转LAB（用于颜色分析）
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)

我个人最常用的是HSV空间。为什么？因为H（色调）通道对光照变化不敏感。无人机在不同时间、不同角度拍摄，光照条件千差万别。用HSV做颜色阈值分割，比BGR稳定得多。

# 在HSV空间中提取绿色植被区域
lower_green = np.array([35, 40, 40])
upper_green = np.array([85, 255, 255])
mask = cv2.inRange(hsv, lower_green, upper_green)

# 应用掩码
result = cv2.bitwise_and(img, img, mask=mask)

4.4 直方图均衡化

直方图均衡化，名字听着高大上，其实原理很简单——把图像的灰度分布拉均匀，让暗的地方变亮，亮的地方变暗，整体对比度提升。

无人机在阴天或逆光条件下拍摄，图像往往偏暗、细节丢失。这时候直方图均衡化就派上用场了。

# 灰度图直方图均衡化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
equalized = cv2.equalizeHist(gray)

# 对比显示
cv2.imshow('Original Gray', gray)
cv2.imshow('Equalized', equalized)
cv2.waitKey(0)

但普通的直方图均衡化有个问题——它会放大噪声。你想想看，原本平坦的区域（比如天空），均衡化后可能会出现块状伪影。

所以我更推荐用CLAHE（对比度受限自适应直方图均衡化）。它把图像分成小块，每块单独做均衡化，而且限制了对比度的放大倍数，效果自然得多。

# CLAHE自适应直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_result = clahe.apply(gray)

# 对比三种效果
cv2.imshow('Original', gray)
cv2.imshow('Hist Equalization', equalized)
cv2.imshow('CLAHE', clahe_result)
cv2.waitKey(0)

对于彩色图像，我通常的做法是：转到LAB空间，只对L通道（亮度）做CLAHE，然后合并回彩色图像。这样既增强了对比度，又不会改变颜色。

# 彩色图像CLAHE（只增强亮度通道）
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
l_enhanced = clahe.apply(l)

lab_enhanced = cv2.merge([l_enhanced, a, b])
img_enhanced = cv2.cvtColor(lab_enhanced, cv2.COLOR_LAB2BGR)

嗯，到这里，图像读取与预处理的四个核心操作就讲完了。你可能会问：这些操作要按什么顺序做？我的建议是：先读取→再裁剪→然后缩放→最后做色彩和对比度增强。先裁剪再缩放，能减少计算量，而且裁剪后的ROI做直方图均衡化效果更精准。

下一章我们会把这些预处理操作串成一个完整的pipeline，配合批量处理脚本，实现无人机巡检图像的自动化预处理。到时候你就知道，前期这些基础工作做得扎实，后面跑算法有多顺畅。

---