第二章：图像采集与预处理——摄像头选型、标定与滤波增强

各位同学，大家好。今天我们进入一个非常实战的环节——图像采集与预处理。说白了，就是解决“怎么把物理世界的光信号，变成算法能啃的数字矩阵”。

我做了这么多年视觉项目，发现一个规律：80%的跟踪失败，根源不在算法，而在前端的图像质量。你想想看，如果摄像头选错了，或者图像全是噪声，再牛的卡尔曼滤波也救不回来。所以这一章，咱们把地基打牢。

2.1 摄像头选型：别让硬件拖后腿

选摄像头，不是参数越高越好。我见过有人用工业相机拍传送带上的药瓶，结果帧率太高，数据量把工控机直接干死机了。嗯，这里要注意：选型要匹配你的应用场景。

我个人习惯，先问自己三个问题：

• 目标运动多快？——决定帧率（FPS）。一般动态追踪建议≥60fps，高速场景（如机械臂抓取）需要≥120fps。
• 环境光线如何？——决定传感器类型。CCD适合低噪声、稳定光源；CMOS性价比高，但卷帘快门容易产生果冻效应。
• 需要什么颜色信息？——决定彩色/黑白。很多追踪任务其实用灰度图就够了，彩色反而增加数据量。

2.2 摄像头标定：把镜头畸变算回来

摄像头标定，说白了就是给镜头做“视力矫正”。任何镜头都有畸变，尤其是广角镜头。如果不标定，你测出来的目标位置全是歪的。

我常用的方法是张正友标定法。你只需要打印一张棋盘格，拍十几张不同角度的照片，就能算出内参和畸变系数。

为什么会这样？因为棋盘格的角点坐标是已知的（物理世界），而图像上的坐标是观测到的。通过两者的映射关系，就能反推出镜头的数学模型。

下面是我常用的标定代码片段（基于OpenCV）：

import cv2
import numpy as np

# 准备棋盘格尺寸
chessboard_size = (9, 6)  # 内角点数量
objp = np.zeros((chessboard_size[0]*chessboard_size[1], 3), np.float32)
objp[:,:2] = np.mgrid[0:chessboard_size[0], 0:chessboard_size[1]].T.reshape(-1,2)

# 存储所有图像的点
objpoints = []  # 3D点
imgpoints = []  # 2D点

images = [...]  # 你的标定图片列表

for fname in images:
    img = cv2.imread(fname)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, corners = cv2.findChessboardCorners(gray, chessboard_size, None)
    if ret:
        objpoints.append(objp)
        imgpoints.append(corners)

# 标定
ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera(
    objpoints, imgpoints, gray.shape[::-1], None, None)

# 去畸变
undistorted = cv2.undistort(img, mtx, dist, None, mtx)

2.3 图像滤波：去噪是预处理的第一步

图像滤波，说白了就是把图像里的“脏东西”擦掉。传感器噪声、环境干扰，都会让图像变得不干净。我常用的两种滤波：高斯滤波和中值滤波。

2.3.1 高斯滤波——平滑噪声

高斯滤波适合处理高斯噪声（比如传感器热噪声）。它的原理是用一个高斯核去卷积图像，相当于给每个像素做加权平均。

我个人习惯，核大小选3×3或5×5。太大容易把边缘也模糊掉，太小又去不掉噪声。你想想看，如果核是9×9，那一个边缘像素会被周围一大片区域平均，边缘就没了。

# 高斯滤波
blurred = cv2.GaussianBlur(image, (5, 5), 1.5)

2.3.2 中值滤波——对付椒盐噪声

中值滤波是对付椒盐噪声的利器。什么是椒盐噪声？就是图像上随机出现的白点或黑点，像撒了盐和胡椒一样。

中值滤波的原理很简单：把像素值排序，取中间值。这样，一个孤立的噪声点（极大或极小值）就会被直接剔除。我在项目中遇到过，用高斯滤波去椒盐噪声效果很差，换成中值滤波，一下就干净了。

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

2.4 图像增强：让目标“跳”出来

图像增强，说白了就是把对比度拉开，让目标更明显。最经典的方法就是直方图均衡化。

2.4.1 直方图均衡化

直方图均衡化，就是把图像的灰度分布“拉平”。如果一张图整体偏暗（灰度值集中在低区域），均衡化后会扩展到整个0-255范围。

为什么会这样？因为算法会重新映射灰度值，让每个灰度级的像素数量尽量相等。效果就是暗的地方变亮，亮的地方变暗，细节就出来了。

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

# 自适应直方图均衡化（CLAHE）——我推荐这个
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_result = clahe.apply(gray_image)

2.5 本章知识体系

下面这张图，是我梳理的本章核心逻辑。你可以把它当作一个检查清单：

嗯，这一章的内容就到这里。记住一句话：预处理做得好，追踪算法事半功倍。下一章我们会讲特征提取，但前提是你得先把图像整干净了。

---