第三章：图像预处理——噪声滤波、图像增强与ROI提取

各位同学，大家好。欢迎来到《红外检测叶片温度异常分析与诊断》的第三讲。

上一章我们聊了红外图像的特点，说白了就是一张“温度分布图”。但现实很骨感——你拿到的原始图像，往往充满了噪声，对比度也差。直接分析？那结果肯定一塌糊涂。

所以，图像预处理这一步，是绕不开的。我个人习惯把预处理比作“给照片化妆”：先去掉脸上的痘印（噪声），再调亮肤色（增强），最后只盯着眼睛看（ROI提取）。

今天我们就来拆解这三个核心步骤。

3.1 噪声滤波：让图像“干净”起来

红外相机采集时，受传感器温度、电路干扰等因素影响，图像里总会有一些“雪花点”。这些点就是噪声。不处理的话，后续的温度分析会严重失真。

我常用的滤波方法有两种：中值滤波和高斯滤波。它们各有各的脾气。

3.1.1 中值滤波——专治“椒盐噪声”

中值滤波的原理很简单：把每个像素点的值，替换成它周围邻域内所有像素的中位数。

为什么用中位数？因为椒盐噪声（那种黑白点）的像素值要么极大要么极小，取中位数就能把它们“剔除”掉。

我在项目中遇到过：有一次在温室大棚里检测叶片，因为环境湿度大，红外图像上全是细小的白点。用中值滤波一处理，叶片轮廓立刻清晰了。嗯，这里要注意：中值滤波对高斯噪声（那种均匀分布的模糊噪声）效果一般，别用错地方。

代码示例（OpenCV）：

import cv2
import numpy as np

# 读取红外图像（灰度图）
img = cv2.imread('leaf_thermal.jpg', 0)

# 中值滤波，核大小设为5（奇数）
img_median = cv2.medianBlur(img, 5)

cv2.imshow('Original', img)
cv2.imshow('Median Filtered', img_median)
cv2.waitKey(0)

3.1.2 高斯滤波——对付“高斯噪声”

高斯滤波用的是加权平均。它认为：离中心点越近的像素，贡献越大；越远的，贡献越小。权重服从高斯分布（也就是正态分布）。

说白了，它比中值滤波更“平滑”，适合处理那种均匀的、像蒙了一层雾的噪声。

我曾经犯过一个错：把高斯滤波用在椒盐噪声上，结果噪声点被“抹开”了，变成一片模糊区域，反而更难处理。所以，选对方法很重要。

代码示例：

# 高斯滤波，核大小(5,5)，标准差sigmaX=0（自动计算）
img_gaussian = cv2.GaussianBlur(img, (5, 5), 0)

cv2.imshow('Gaussian Filtered', img_gaussian)

3.2 图像增强：让温度差异“显眼”起来

滤波之后，图像干净了，但可能还是灰蒙蒙的。为什么？因为红外图像的像素值往往集中在某个狭窄的区间（比如120-150），对比度很低。

这时候就需要图像增强。我最常用的方法是直方图均衡化。

3.2.1 直方图均衡化——拉伸对比度

直方图均衡化的核心思想：把原始图像的灰度分布，拉伸成均匀分布。原本集中在120-150的像素，会被映射到0-255整个范围。

效果就是：暗的地方更暗，亮的地方更亮，细节就出来了。

我记得有一次，在分析水稻叶片的温度时，原始图像几乎看不出温差。均衡化之后，叶脉和叶缘的温度差异一目了然。你想想看，如果没有这一步，后面的分析根本无从下手。

代码示例：

# 直方图均衡化
img_eq = cv2.equalizeHist(img_gaussian)

cv2.imshow('Equalized', img_eq)

3.3 ROI区域提取：只关注“叶片”本身

整张红外图像里，可能只有一小块是叶片，其他都是背景（土壤、花盆、支架）。如果全图分析，计算量大，而且背景噪声会干扰结果。

所以，我们要提取ROI（Region of Interest，感兴趣区域）。说白了，就是只盯着叶片看。

3.3.1 基于阈值的ROI提取

红外图像中，叶片和背景的温度通常不同。我们可以设定一个温度阈值，把高于（或低于）某个值的像素提取出来。

比如，叶片温度在28-32°C，背景在22-25°C。那我们可以设定阈值28°C，提取所有高于28°C的区域。

我个人的习惯是：先用直方图看看像素分布，找到明显的“波谷”，那个位置就是最佳阈值。

代码示例：

# 假设图像是8位灰度图，像素值0-255对应温度0-50°C
# 设定阈值：对应28°C -> 像素值 = 28/50 * 255 ≈ 143
_, roi = cv2.threshold(img_eq, 143, 255, cv2.THRESH_BINARY)

cv2.imshow('ROI', roi)

3.3.2 形态学操作——让ROI更“干净”

阈值提取后，ROI区域可能有一些小孔洞或毛刺。这时候可以用形态学操作（腐蚀、膨胀）来修整。

我一般先腐蚀去掉小噪点，再膨胀恢复叶片大小。

kernel = np.ones((5,5), np.uint8)
roi_cleaned = cv2.morphologyEx(roi, cv2.MORPH_CLOSE, kernel)

知识体系总览

下面这张图，是我自己画的预处理流程。你可以把它当作一个“检查清单”。

本章小结

图像预处理，说白了就是三步走：去噪、增强、提ROI。每一步都有它的道理，也有它的坑。

我个人建议：在实际项目中，不要一上来就套用固定参数。多试试不同的核大小、阈值，看看效果。毕竟，每一张红外图像都有自己的“脾气”。

好了，这一章就到这里。记住：预处理做得好，后续分析才能事半功倍。

---