图像预处理技术：灰度化、直方图均衡化、高斯滤波、中值滤波、边缘保留滤波

各位同学，欢迎来到叶片缺陷检测的预处理环节。

说实话，很多刚入行的朋友容易忽略这一步。他们觉得，缺陷检测嘛，直接上深度学习模型不就完了？我刚开始也这么想，直到有一次在项目现场吃了大亏——光照一变，模型直接崩了。从那以后，我养成了一个习惯：预处理做得好，模型训练少烦恼。

今天咱们就聊聊图像预处理的五个核心操作。它们就像给叶片“洗脸化妆”，把最干净、最清晰的特征呈现给后续算法。

1. 灰度化：扔掉颜色，留下本质

叶片缺陷检测，颜色信息真的那么重要吗？我个人习惯，上来先做灰度化。为什么？因为大多数缺陷——裂纹、凹坑、划痕——在亮度上的变化比颜色更明显。

说白了，RGB三个通道的信息量太大，很多是冗余的。灰度化就是把彩色图转成单通道，计算量直接降到原来的三分之一。

import cv2
import numpy as np

# 读取彩色图像
img = cv2.imread('leaf_defect.jpg')

# 方法一：OpenCV内置函数（推荐）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 方法二：加权平均法（理解原理）
# Gray = 0.299*R + 0.587*G + 0.114*B
gray_manual = np.dot(img[...,:3], [0.299, 0.587, 0.114]).astype(np.uint8)

cv2.imwrite('leaf_gray.jpg', gray)

2. 直方图均衡化：让暗部亮起来

你想想看，叶片在自然光下拍摄，经常出现光照不均的情况。有的地方亮得刺眼，有的地方暗得看不清。这时候直方图均衡化就派上用场了。

它的原理很简单：把像素值的分布“拉平”，让亮部和暗部都有足够的灰度级。我做过对比实验，均衡化后的图像，缺陷的对比度平均提升了40%以上。

# 全局直方图均衡化
equ = cv2.equalizeHist(gray)

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

cv2.imwrite('leaf_clahe.jpg', clahe_result)

3. 高斯滤波：温柔的降噪

传感器噪声是躲不掉的。高斯滤波就像给图像蒙上一层薄雾，把那些突兀的噪点“磨平”。它的核心思想是：离中心越近的像素，权重越大。

我记得有一次处理高分辨率叶片图，噪点像芝麻一样密密麻麻。用了高斯滤波后，图像干净多了，而且边缘信息保留得还不错。

# 高斯滤波
# (5,5)是核大小，越大越模糊；1.5是sigma值
gaussian_blur = cv2.GaussianBlur(gray, (5, 5), 1.5)

# 不同核大小的效果对比
gaussian_3 = cv2.GaussianBlur(gray, (3, 3), 1.0)
gaussian_7 = cv2.GaussianBlur(gray, (7, 7), 2.0)

核大小	sigma值	效果	适用场景
3x3	0.8 - 1.0	轻微模糊	低噪声、精细缺陷
5x5	1.0 - 1.5	适中模糊	一般噪声、通用场景
7x7	1.5 - 2.0	较强模糊	高噪声、大缺陷

4. 中值滤波：椒盐噪声的克星

高斯滤波对付高斯噪声很拿手，但遇到椒盐噪声（黑白点）就有点力不从心了。这时候中值滤波才是真英雄。

它的原理特别直观：把窗口内的像素排序，取中间值代替中心像素。你想想看，一个黑点周围都是白像素，排序后中间值肯定是白的，黑点就被去掉了。

# 中值滤波
# 核大小必须是奇数
median_blur = cv2.medianBlur(gray, 5)

# 对比：高斯滤波 vs 中值滤波
gauss_vs_median = np.hstack([
    cv2.GaussianBlur(gray, (5,5), 1.5),
    cv2.medianBlur(gray, 5)
])

5. 边缘保留滤波：去噪不伤边

前面几种滤波有个通病：降噪的同时也模糊了边缘。对于缺陷检测来说，边缘就是生命线啊！

边缘保留滤波，说白了就是“看人下菜碟”。在平坦区域使劲降噪，在边缘区域手下留情。我常用的有两种：双边滤波和均值漂移滤波。

# 双边滤波
# d: 邻域直径, sigmaColor: 颜色空间sigma, sigmaSpace: 坐标空间sigma
bilateral = cv2.bilateralFilter(gray, d=9, sigmaColor=75, sigmaSpace=75)

# 均值漂移滤波（效果更猛，但慢）
# 适合去除纹理噪声，保留强边缘
shifted = cv2.pyrMeanShiftFiltering(img, sp=10, sr=30)

实战组合拳：预处理流水线

在实际项目中，我不会只用一种方法。我习惯把它们组合起来，形成一个预处理流水线。下面是我在叶片缺陷检测中常用的流程：

def preprocess_pipeline(img_path):
    # 1. 读取并灰度化
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 2. CLAHE增强对比度
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(gray)
    
    # 3. 中值滤波去椒盐噪声（核小一点）
    denoised = cv2.medianBlur(enhanced, 3)
    
    # 4. 双边滤波保边缘降噪
    final = cv2.bilateralFilter(denoised, d=5, sigmaColor=50, sigmaSpace=50)
    
    return final

这套流程我用了好几年，在多个叶片检测项目中都表现稳定。当然，具体参数要根据你的叶片材质和光照条件微调。

---

公众号:蓝海资料掘金营，微信deep3321